Ημερολόγιο Εκδηλώσεων

ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ

Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών

Πρόγραμμα Προπτυχιακών Σπουδών

ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ

ΠΟΛΥΜΕΝΟΠΟΥΛΟΥ ΑΛΕΞΑΝΔΡΑΣ

με θέμα

Προσαρμοζόμενο Σύστημα Ελέγχου με τη χρήση Τεχνητών Νευρωνικών Δικτύων για τη Βελτιστοποίηση της Λειτουργίας Θέρμανσης και Ψύξης ενός Κατοικημένου Χώρου

Adaptive Control System using Artificial Neural Networks for the Optimization of Heating and Cooling Function of a Residential Space

Δευτέρα 10 Δεκεμβρίου 2018, 2 μ.μ.

Αίθουσα 145.Π42, Κτίριο Επιστημών, Πολυτεχνειούπολη

Εξεταστική Επιτροπή

 Καθηγητής Κωνσταντίνος Καλαϊτζάκης (επιβλέπων)

 Καθηγητής Γεώργιος Σταυρακάκης

Αναπληρώτρια Καθηγήτρια Διονυσία Κολοκοτσά (Σχολή ΜΗΠΕΡ)

Περίληψη

Η παρούσα διπλωματική εργασία εστιάζει στην ανάπτυξη ενός προσαρμοστικού συστήματος ελέγχου, με χρήση τεχνητών νευρωνικών δικτύων, για τη ρύθμιση της εσωτερικής θερμοκρασίας ενός σχεδιασμένου για το σκοπό αυτό κατοικημένου χώρου. Σκοπός είναι η ενεργοποίηση ή απενεργοποίηση του συστήματος θέρμανσης και ψύξης, προκειμένου να εξασφαλιστεί ετήσια μείωση του ενεργειακού κόστους σε σύγκριση με έναν απλό θερμοστάτη, διατηρώντας παράλληλα τη  θερμική άνεση των κατοίκων. Αρχικά, καθορίζονται χαρακτηριστικά της κατοικίας και προσομοιώνεται το ενεργειακό μοντέλο για ένα έτος, εξασφαλίζοντας τα ενεργειακά δεδομένα και τη διαμόρφωση της εσωτερικής θερμοκρασίας όταν χρησιμοποιείται ένας απλός θερμοστάτης. Μετά από έρευνα σχετικής βιβλιογραφίας, κατασκευάζονται νευρωνικά δίκτυα, τα οποία εκπαιδεύονται με δεδομένα που προέρχονται από την ενεργειακή προσομοίωση της κατοικίας και χρησιμοποιούνται ως μοντέλα του συστήματος ελέγχου, για να προβλέψουν τη μελλοντική παρουσία των κατοίκων στο χώρο, την εσωτερική θερμοκρασία και την κατανάλωση ενέργειας λόγω της λειτουργίας θέρμανσης και ψύξης. Το σύστημα ελέγχου, το οποίο προσομοιώνεται για ένα χρόνο, αναζητά κάθε χρονική στιγμή της προσομοίωσης τη βέλτιστη απόφαση για τη λειτουργία θέρμανσης ή ψύξης, λαμβάνοντας υπόψη τη μελλοντική δραστηριότητα των κατοίκων και υπολογίζοντας το ενεργειακό κόστος και το κόστος της απώλειας θερμικής άνεσης για μια σειρά πιθανών χρονικών ακολουθιών λειτουργίας. Η ετήσια απόκριση του ελεγκτή συγκρίνεται με τα αποτελέσματα της ενεργειακής προσομοίωσης και επιτυγχάνεται μείωση της ενεργειακής κατανάλωσης. Επίσης, καταγράφονται επιπλέον συμεπράσματα όσον αφορά την αποδοτικότητα της χρήσης πολλαπλών νευρωνικών δικτύων στο σύστημα. Τέλος, θέτονται προτάσεις για περαιτέρω διερεύνηση, σχετικά με τη βελτιστοποίηση της μεθόδου που αναπτύχθηκε στο σύστημα ελέγχου.

​​​​​​​​​​​​​​Abstract

The subject of the current thesis project focuses on an adaptive control system development using neural networks, implemented to regulate the indoor temperature of a specifically designed for this purpose residential space. The main purpose of this project is to control the activation or deactivation of the heating and cooling system, in order to ensure the annual reduction of energy cost, compared to a simple thermostat, while maintaining thermal comfort. Firstly, specifications of the residence are defined, and the energy model is simulated for one year, providing the energy data and the behavior of internal temperature, when a simple thermostat is used.  After investigating literature, the author constructed neural networks, trained them with data provided from the energy simulation of the residence and used them as models in the control system, to predict the future presence of residents in the area, the indoor temperature and the energy consumption due to heating or cooling operation. developed control system, simulated for one year, seeks on each simulation timestep the optimal decision for the heating and cooling operation, based on future activity of residents, by calculating the energy cost and the cost of thermal comfort loss for a number of potential time sequences of operation.  n, the annual response of the controller is compared with the output of the energy simulation and results in a reduced energy consumption.  Furthermore, additional conclusions are made regarding the efficient usage of multiple neural networks in the control system. Finally, overall suggestions, concerning the optimization of the method developed in this control system, are set to be used for further investigation.