Boendecentrerade byggnadskontroller
Occupant-centric building controls eller Occupant-centric controls ( OCC) är en kontrollstrategi för inomhusmiljön, som specifikt fokuserar på att möta de nuvarande behoven hos boende i byggnaden samtidigt som byggnadens energiförbrukning minskar . OCC kan användas för att styra belysning och apparater, men används oftast för att styra värme, ventilation och luftkonditionering ( HVAC ). OCC använder realtidsdata som samlats in om inomhusmiljöförhållanden, passagerarnas närvaro och passagerarnas preferenser som input till energisystemkontrollstrategier. Genom att svara på indata i realtid kan OCC flexibelt tillhandahålla rätt nivå av energitjänster, såsom värme och kyla, när och var det behövs av de åkande. Att säkerställa att byggnadsenergitjänster tillhandahålls i rätt kvantitet är avsett att förbättra de boendes komfort samtidigt som dessa tjänster endast tillhandahålls vid rätt tidpunkt och på rätt plats är avsett att minska den totala energianvändningen.
I motsats till OCC använder konventionella byggnadskontrollstrategier, kända som Building Energy Management Systems (BEMS), vanligtvis förutbestämda temperaturbörvärden och sänkningsscheman. Dessa temperaturer och temperaturscheman bestäms ofta av industristandarder utan någon input från byggnadens boende. Konventionella BEMS har typiskt statiska driftsparametrar som ger minimal flexibilitet för att möta de förändrade behoven hos boende i byggnaden under dagen, de förändrade behoven hos nya hyresgäster eller de olika termiska behoven hos en given grupp av fastighetsbrukare.
American Society for Heating, Refrigeration and Air-conditioning Engineers har beskrivit att de åkandes termiska komfort påverkas både av miljöförhållanden som strålningsvärme, luftfuktighet, lufthastighet och årstid samt personliga faktorer som fysiologi, kläder som bärs och aktivitetsnivå. . Denna dynamiska och personliga karaktär av termisk komfort har traditionellt gjort det komplext att det integreras i HVAC-kontroller, men en ökning av avkännings- och beräkningskapacitet tillsammans med en minskning av avkännings- och beräkningskostnader har gjort det möjligt för OCC att vara ett effektivt och skalbart sätt att kontrollera bygga energisystem. Med byggnader som förbrukar över 33 % av den globala energin och producerar nästan 40 % av CO 2 -utsläppen kan OCC spela en betydande roll för att minska den globala energiförbrukningen och CO 2 -utsläppen.
Bakgrund
Passagercentrerade kontrollingångar
OCC förlitar sig på beläggning i realtid och passagerarpreferensdata som indata till kontrollalgoritmen. Dessa data måste kontinuerligt samlas in med olika metoder och kan samlas in i olika skalor inklusive helbyggnad, golv, rum och underrum. Ofta är det mest användbart att samla in data i en skala som matchar byggnadens termiska zonindelning. En termisk zon är en del av en byggnad som alla är konditionerade under samma temperaturbörvärde.
Data om passagerares närvaro (ockuperade eller obebodda) och beläggningsnivåer (antal passagerare) kan samlas in med antingen explicita eller implicita sensorer. Explicita sensorer mäter beläggning direkt och kan inkludera passiva infraröda sensorer, ultraljudsrörelsedetektorer och kameror som räknar ingångar. Implicita sensorer mäter en parameter som kan korreleras till beläggning genom något kalibrerat förhållande. Exempel på implicita närvarosensorer inkluderar CO 2 -sensorer och Wi-Fi-anslutna enheter. Valet av närvaroavkännande enheter beror på storleken på det utrymme som övervakas, budgeten för sensorer, önskad noggrannhet, målet för sensorn (upptäcka passagerares närvaro eller antal) och säkerhetsöverväganden.
Till skillnad från närvarodata för boende kräver inhämtning av användarpreferensdata direkt feedback från boende i byggnaden. Denna feedback kan vara begärd eller oönskad. Oönskad personpreferensdata kan inkludera tiden och storleken på en manuell termostatbörvärdesändring. Även om detta kan vara en bra indikator på passagerarnas termiska missnöje, kan termostatbörvärdesändringar vara sällsynta och skapa ett hinder för att integrera passagerarnas preferenser i OCC. Begärd information om passagerarpreferens används ofta som ett sätt att skaffa mer information om passagerarpreferenser och tar formen av just-in-time-undersökningar eller Ecological Momentary Assessments ( EMA ). Dessa undersökningar, vanligtvis utplacerade på datorer, smarta telefoner eller smarta klockor, kan fråga deltagarna om deras termiska känsla, termiska tillfredsställelse eller någon annan faktor som återspeglar deras komfort i utrymmet. Att implementera information om användarpreferenser i OCC är fortfarande i ett tidigt skede och dess praktiska tillämpning studeras fortfarande i den akademiska miljön.
Prediktiva kontroller
OCC kan kategoriseras som antingen reaktiv kontroll eller prediktiv kontroll. Den reaktiva styrningen använder inställningarna för passagerare i realtid och ger feedback för att omedelbart ändra förhållandena i utrymmet. Även om detta tillvägagångssätt är användbart för att styra system med snabba svarstider som belysningssystem, är reaktiv OCC inte idealisk för system med långsamma svarstider som HVAC. För dessa långsamma responssystem tillåter prediktiv styrning att byggnadstjänster, såsom uppvärmning, kan tillhandahållas vid rätt tidpunkt utan en fördröjning mellan den tid en tjänst behövs och den tidpunkt då tjänsten tillhandahålls.
Till skillnad från reaktiva kontroller använder prediktiva kontroller i realtid passagerarpreferens och närvarodata för att informera och träna prediktiva kontrollalgoritmer snarare än att direkt påverka systemets funktion. Prediktiva kontroller har en "prediktionshorisont" som är den tid framåt som en OCC kommer att behöva ändra ett börvärde eller ventilationshastighet för att uppnå en viss temperatur eller inomhusluftkvalitetsnivå. Den nödvändiga prediktionshorisonten för en OCC kommer att variera beroende på byggnadens svarstid. Byggnadsattribut som bidrar till behovet av en längre förutsägelsehorisont vid styrning av VVS-system inkluderar stora öppna rum, hög termisk massa och utrymmen med snabba förändringar i beläggningsnivåer.
För kommersiell HVAC OCC kommer prediktiva algoritmer att informeras av de sex informationsgraderna (IG) som beskrivs av ASHRAE. Dessa IG:er är passagerarnas närvaro, antalet passagerare och passagerarnas preferenser, var och en beaktad på byggnads- och termisk zonnivå. Från passagerarnas närvarodata kan en OCC förutsäga den tidigaste ankomsttiden och den senaste avgångstiden. Från antalet invånare kan en OCC förutsäga det maximala förväntade antalet personer i byggnaden och när. Från användarens preferensdata kan en OCC förutsäga önskad temperatur och luftfuktighet i utrymmet under hela dagen. Med denna information kan en OCC förutsäga när den skulle behöva ändra temperaturbörvärden och ventilationshastigheter för att uppnå en önskad temperatur och luftkvalitetsnivå vid en specifik tidpunkt. Prediktiva algoritmer behöver en tillräcklig mängd data såväl som relativt regelbundna passagerarpreferenser och närvaromönster för att utveckla korrekta kontrollförutsägelser.
Occupant-Centric Control Development
Utvecklingen av OCC stöds för närvarande av International Energy Agency (IEA) Energy in Buildings and Community (EBC) Annex 79. Annex 79, som kommer att löpa från 2018 till 2023, är ett internationellt samarbetsinitiativ fokuserat på att utveckla och distribuera teknik, datainsamlingsmetoder, simuleringsmetoder, kontrollalgoritmer, implementeringspolicyer och tillämpningsstrategier som syftar till boendecentrerad byggnadsdesign och kontroller. Detta samarbete är fokuserat på att tillämpa kunskapen från den tidigare bilaga 66 som löpte från 2013 till 2018. Annex 66 arbetade för att förstå hur boendes beteende relaterar till byggnadens energiförbrukning samt hur byggnadens drift och design påverkar de boendes termiska komfort. Detta gjordes i första hand genom att samla in uppgifter om passagerarnas beteende och utveckla simuleringsmetoder för passagerarna.
Ytterligare grupper som arbetar med att utveckla OCC inkluderar ASHRAE Multidisciplinary Task Group on Occupant Behavior in Buildings (MGT.OBB) och National Science Foundation Future of Work Center for Intelligent Environments.
Occupant-Centric Control Algoritms
OCC är fortfarande under utveckling där skapande och utvärdering av olika kontrollalgoritmer är huvudfokus för studien. Algoritmer som har studerats för OCC inkluderar, men är inte begränsade till, iterativa datafusionsmetoder, oövervakad maskininlärning och förstärkningsinlärning. Var och en av dessa algoritmer har olika nivåer av beräkningskomplexitet, nödvändiga indata och energireduktionspotential.
Iterativa datafusionsmetoder är ett exempel på reaktiva OCC-kontroller och är ett sätt att kombinera data från två eller flera källor. För denna metod används preferensdata från flera passagerare och data om inomhusmiljöförhållanden för att balansera de två optimeringsmålen med genomsnittlig passagerarnöjdhet och energibesparingar. För att balansera dessa mål kommer algoritmen att avgöra varje gång ny data läggs in i systemet om någon kontrollåtgärd behövs, till exempel att ändra temperaturbörvärdet, baserat på en uppsättning kontrollregler som avgör hur väl optimeringsmålen uppfylls
Oövervakad maskininlärning kan användas för att gruppera passagerare baserat på deras "termiska personligheter". Dessa kluster kan sedan användas för att informera reaktiva eller prediktiva kontroller genom att förstå de termiska preferenserna för de specifika passagerarna i utrymmet. För denna metod matas efterfrågad passagerarpreferensinformation in i en oövervakad maskinalgoritm som kommer att gruppera passagerare baserat på hur lika deras termiska preferenser är. Antalet och storleken på grupperna beror på vilken typ av oövervakad algoritm som används samt vilken data som analyseras.
Maskininlärning för förstärkning kan användas som en prediktiv kontrollalgoritm med målet att optimera passagerarnas nöjdhet och energibesparingar. För denna metod accepterar algoritmen passagerarnärvaro och preferensdata och använder den för att lära sig passagerarnas preferenser utan att behöva träna algoritmen på tidigare data. Algoritmen kommer att utvärdera varje kontrollbeslut den fattar för att maximera sin belöning, som är baserad på dess förmåga att optimera passagerarnas tillfredsställelse och energibesparingar. Denna algoritm kan göra kontinuerliga justeringar baserat på ny information som den tar emot.