کنترل سیستم‌های تهویه مطبوع: یک چالش فنی
کنترل موثر یک سیستم HVAC دشوار است زیرا شرایط ساختمان همیشه در حال تغییر است. جنبه‌های زیر را در نظر بگیرید:
– دمای بیرون همیشه در حال تغییر است و بر گرمایش یا سرمایش مورد نیاز برای حفظ دمای مناسب داخلی تاثیر می‌گذارد.
– مردم همیشه در حال ورود و خروج از ساختمان هستند و این بر نیازهای تهویه و کنترل دما تاثیر می‌گذارد.
– فعالیت‌های انجام‌شده در داخل خانه نیز بر نیازهای HVAC تاثیر می‌گذارد. به عنوان مثال، یک آشپزخانه تجاری به تهویه و خنک‌کننده بیشتری نسبت به یک دفتر کار با همان اندازه نیاز دارد.
نیازهای تهویه، گرمایش و سرمایش یک ساختمان همیشه در حال تغییر است. فقط یک سیستم کنترل هوشمند می‌تواند تمام این داده‌ها را در زمان واقعی پردازش کند و سیستم HVAC را بر اساس آن تنظیم کند. یک سیستم تهویه مطبوع با کنترل‌های دستی به دلیل شرایط کاری متغیر نمی‌تواند به اوج عملکرد برسد.
کنترل‌های هوشمند برای سیستم‌های تهویه مطبوع
هواسازها انرژی کمتری نسبت به تهویه مطبوع و بخاری‌های فضایی مصرف می‌کنند. با این حال، جریان هوای بیرونی که وارد ساختمان می‌شود بر نیازهای گرمایش و سرمایش تاثیر می‌گذارد.
– به عنوان مثال، اگر یک سیستم تهویه جریان هوا را در طول زمستان افزایش دهد، گرمای بیشتری برای حجم بیشتری از هوای سرد بیرون مورد نیاز است.
– موضوع بالا درباره سیستم تهویه مطبوع در تابستان به صورت معکوس صدق می‌کند.
بسیاری از ساختمان‌ها دارای سیستم‌های تهویه هستند که همیشه در جریان هوای کامل کار می‌کنند. به دلایلی که قبلاً توضیح داده شد، این موضوع نشان‌دهنده اتلاف عمده انرژی است. وقتی کنترل‌های تهویه دارای هوش مصنوعی باشند، می‌توانند جریان هوای مطلوب مورد نیاز ساختمان را تعیین کنند. این سیستم همچنین می‌تواند تعداد ساکنان ساختمان و غلظت آلاینده‌های کلیدی هوا مانند ترکیبات آلی فرار و ذرات معلق را ردیابی کند.
تهویه بیش از حد نشان‌دهنده اتلاف انرژی است، در حالی که تهویه کم برای کیفیت هوای داخل خانه مضر است. کنترل تهویه با هوش مصنوعی به جلوگیری از هر دو آنها کمک می‌کند. تنها یک شرط مهم وجود دارد و آن این است که سیستم تهویه هرگز نباید جریان هوا را کمتر از حداقل مقدار مورد نیاز قوانین ساختمانی محلی کاهش دهد.
بهینه‌سازی گرمایش و تهویه مطبوع فضا
در حال حاضر کوره‌ها، بویلرها، چیلرها، مینی اسپلیت‌ها و سایر تجهیزات HVAC با هوش مصنوعی داخلی وجود دارد. در نتیجه صرفه‌جویی در مصرف انرژی صرفاً با ارتقای تجهیزات قدیمی قابل انتظار است. با این حال، زمانی که از کنترل‌های هوشمند برای کل سیستم HVAC استفاده می‌شود، عملکرد بهبودیافته امکان‌پذیر است.
همان‌طور که کنترل‌های تهویه باید مصرف انرژی و کیفیت هوا را متعادل کنند، کنترل‌های گرمایش و سرمایش نیز باید مصرف انرژی و آسایش انسان را متعادل کنند. طبق مطالعه‌ای که توسط آزمایشگاه ملی لارنس برکلی (LBNL) انجام شده است، بهره‌وری انسانی در حدود ۲۱ تا ۲۲ درجه سانتی‌گراد به اوج خود می‌رسد. با افزایش یا کاهش دما، ناراحتی‌هایی برای افراد ایجاد می‌شود و هنگامی که درجه حرارت نامطلوب‌تر شود، برای سلامتی مضر و در نهایت تهدیدکننده حیات انسان است.
حتی با نصب سیستم‌های تهویه مطبوع ناقص، احتمال ایجاد هوای ناگوار بسیار بعید است. با این حال، با انحراف دما از محدوده ایده‌آل، کیفیت محیط داخلی (IEQ) به تدریج بدتر می‌شود.
چگونه هوش مصنوعی می‌تواند با معیارهای بهره‌وری انرژی به هم‌افزایی دست یابد
زمانی که هوش مصنوعی به این ترکیب اضافه شود، اقدامات بهره‌وری انرژی می‌تواند موثرتر شود و به صرفه‌جویی بیشتری دست یابد. دو نمونه از ارتقاهای HVAC  که با هوش مصنوعی بهتر کار می‌کنند، اکونومایزرهای کنار هوا و هواکش‌های بازیابی انرژی هستند.
اکونومایزرهای Airside می‌توانند در برخی از آب‌وهواها در مصرف انرژی صرفه‌جویی کنند. هنگامی که هوای بیرون دارای دما و رطوبت مناسب برای «خنک کردن رایگان» است، اکونومایزر نرخ تهویه را افزایش می‌دهد و در عین حال خروجی تهویه مطبوع را کاهش می‌دهد. در مصرف برق صرفه‌جویی می‌شود زیرا فن‌ها نسبت به تهویه مطبوع هزینه کمتری دارند. کنترل‌های هوشمند می‌توانند اکونومایزر کنار هوا را برای به حداکثر رساندن این صرفه‌جویی بهینه کنند.
تهویه بازیابی انرژی نیز با تهویه هوشمند به هم‌افزایی می‌رسد. وقتی جریان هوای بیرون بهینه شود، از اتلاف انرژی ناشی از گرمایش یا سرمایش هوای اضافی جلوگیری می‌شود. سپس سیستم ERV می‌تواند گرما را بین هوای تغذیه و هوای خروجی مبادله کند و بار کاری HVAC را حتی بیشتر کاهش دهد. ERV هم با تهویه مطبوع و هم با گرمایش فضا کار می‌کند یعنی هوای داخل خانه هوای بیرون را در تابستان از قبل خنک می‌کند و هوای بیرون را در زمستان پیش‌گرم می‌کند.
گواهینامه‌های ساختمانی مانند LEED و WELL الزامات عملکردی سختی برای گرمایش، سرمایش و تهویه دارند. کنترل‌های خودکار با هوش مصنوعی می‌توانند به برآورده کردن این الزامات و بهینه‌سازی عملکرد سیستم‌های HVAC کمک کنند.
چرا هوش مصنوعی؟
در سطح جهان ساختمان‌ها ۴۰ درصد از کل انرژی را مصرف می‌کنند و ۳۰ درصد از کل انتشار CO۲ را تشکیل می‌دهند. ساختمان‌های مسکونی به تنهایی ۲۰ درصد از کل مصرف انرژی در سراسر جهان را تشکیل می‌دهند. استفاده از تهویه مطبوع و سهم آن در مصرف انرژی کلی ساختمان بر اساس عواملی مانند کشور، آب‌وهوا، ثروت ساکنان و… متفاوت است. طبق یک مقاله برنامه محیط زیست سازمان ملل متحد، تقاضای رو به رشد برای تهویه مطبوع در کشورهای آسیای جنوب شرقی بسیار بالا خواهد بود که منجر به افزایش ۶۴درصدی در مصرف انرژی خانگی و تولید ۱/ ۲۳ میلیون تن کربن تا سال ۲۰۴۰ می‌شود. سیستم‌های تهویه مطبوع هنوز یکی از بیشترین سهم‌ها را در مصرف انرژی ساختمان‌های خانگی و صنعتی دارند. شرکت‌های برق در بسیاری از کشورها اجازه دارند قیمت‌گذاری متغیر را برای تعیین هزینه انرژی خانوار بر اساس سطوح مصرف انرژی اتخاذ کنند. خانوارهایی که به‌طور منظم از تهویه مطبوع استفاده می‌کنند، بر روی پله‌های مصرف انرژی بالاتر صورت‌حساب دریافت می‌کنند و در نهایت هزینه بیشتری می‌پردازند. شرکت‌های برق همچنین در ساعات اوج مصرف متحمل هزینه‌های تولید انرژی بالاتری می‌شوند. آنها در حال استقرار راه‌حل‌های پاسخ به تقاضای انرژی برای کاهش هزینه‌ها هستند. این خدمات انرژی اشاره به راه‌حلی برای توصیه تنظیمات جایگزین صرفه‌جویی در مصرف انرژی به سیستم‌های تهویه مطبوع‌های جداگانه در ساعات اوج استفاده دارد. کاربران تهویه مطبوع که مشترک سرویس انرژی جدید هستند، هنگام پذیرش تنظیمات توصیه‌شده، مشوق‌های نقدی دریافت خواهند کرد. هنگام توصیه برخی ترجیحات جایگزین برای صرفه‌جویی در مصرف انرژی، ترجیحات مصرف تهویه مطبوع خانگی باید در نظر گرفته شود. اگر تنظیمات توصیه‌شده تهویه مطبوع به تنظیمات انتخاب‌شده توسط کاربر نزدیک نباشد، کاربر ممکن است اشتراک سرویس انرژی را لغو کند.
در دو تا سه سال گذشته، بسیاری از سیستم‌های جدید تهویه مطبوع با قابلیت اینترنت اشیا (IoT) به بازار عرضه شده‌اند. این مورد نشان می‌دهد که تنظیمات استفاده و داده‌های حسگر تهویه مطبوع اکنون در فضای ابری در دسترس هستند. تجزیه و تحلیل داده‌ها از تمام سیستم‌های تهویه مطبوع متصل به ما درک بهتری از رفتار مصرف انرژی آنها می‌دهد. این مورد ما را قادر می‌سازد تا راه‌حل‌های خنک‌کننده کارآمدتری را طراحی کنیم. بسیاری از سیستم‌های تهویه مطبوع که تازه متصل شده‌اند (یعنی با اینترنت اشیا کار می‌کنند) داده‌های کافی برای طراحی مدل‌های یادگیری ماشین ندارند. طبق تجزیه و تحلیل‌های انجام‌شده، ۷۶ درصد از سیستم‌های تهویه مطبوع جدید داده‌های کافی برای تولید مدل‌های پیش‌بینی مستقل ندارند، که منجر به مشکل شروع سرد (یعنی شروع کار بدون داده‌های کافی) می‌شود. برای غلبه بر این مشکل، یک مدل پیش‌بینی مشترک با استفاده از داده‌های تولیدشده از همه سیستم‌های تهویه مطبوع ارائه می‌شود.
هر سیستم تهویه مطبوع حالت‌های عملیاتی مختلفی را با نرخ‌های خنک کردن متفاوت از خنک‌کننده سریع تا خنک‌کننده آهسته ارائه می‌دهد. هر کدام از این حالت‌ها الگوهای مصرف انرژی متفاوتی دارند. حالت‌های خنک‌کننده بهینه انرژی وجود دارد که باعث صرفه‌جویی در مصرف انرژی می‌شود، اما برخی از کاربران ممکن است تمایلی به کاهش نرخ خنک‌کننده نداشته باشند. بدون استفاده از تجزیه و تحلیل مبتنی بر پردازش ابری، کاربران سیستم‌های تهویه مطبوع ممکن است متوجه نشوند که کدام تنظیمات برای دستیابی به ترجیحات خود در زمینه نرخ خنک‌کننده و دمای مطلوب، بهترین هستند. به نظر می‌رسد که برای حل این مشکل، دو راه وجود دارد:
۱- ایجاد یک نقشه ترجیحی دوبعدی جدید با استفاده از داده‌های سیستم‌های تهویه مطبوع در گذشته.
۲- راه‌حل هوش مصنوعی مبتنی بر رایانش ابری که از نقشه ترجیحی برای توصیه تنظیمات جایگزین برای صرفه‌جویی در انرژی استفاده شود.
سیستم‌های تهویه مطبوع ساختمان به دو دسته سیستم‌های HVAC (گرمایش، تهویه و تهویه مطبوع) و AC (تهویه مطبوع) طبقه‌بندی می‌شوند. در حالی که سیستم‌های HVAC مزایای اضافی سیستم گرمایش را ارائه می‌دهند، اصول عملیات تهویه مطبوع بین هر دو یکسان است. بنابراین تحقیقات تهویه مطبوع در یک سیستم می‌تواند در اصل برای هر دو سیستم اعمال شود. رفتار مصرف برق سیستم تهویه مطبوع، بر اساس دمای مطلوب تنظیم‌شده توسط کاربر انجام می‌شود. تاثیر شرایط محیطی مانند آب‌وهوای خارجی، بر عملکرد سیستم تهویه مطبوع و مصرف برق تاثیر دارد. استفاده از اپلیکیشن موبایل (APP) و زیرساخت اینترنت اشیا برای کاهش مصرف انرژی سیستم تهویه مطبوع اهمیت زیادی دارد. این راه‌حل‌ها که از داده‌های به‌دست‌آمده استفاده می‌کنند، میانگین مصرف انرژی را ۷/ ۳۵ درصد کاهش می‌دهند. یک راه‌حل با یک برنامه موبایلی دیگر نیز وجود دارد که از منطق فازی برای کاهش مصرف استفاده می‌کند و تحقیقات نشان داده است که می‌تواند مصرف انرژی سیستم تهویه مطبوع را تا ۴۰ درصد کاهش دهد. راه‌حل‌های هوش مصنوعی که روی برخی از این سیستم‌ها کار می‌کنند، توانسته‌اند میانگین مصرف را تا ۳۸/ ۵۷ درصد کاهش دهند و در برخی مواقع توانسته‌اند این میزان را تا ۹۰ درصد نیز برسانند.
با ظهور اینترنت اشیا (IoT)، سیستم‌های تهویه مطبوع در خانه‌ها و ساختمان‌های هوشمند اکنون به سیستم ابری متصل شده‌اند. خدمات و الگوریتم‌های مبتنی بر هوش مصنوعی اکنون برای کاهش مصرف انرژی در چنین محیط‌هایی در حال توسعه هستند. یک راه‌حل IoT که اتوماسیون خانه‌های هوشمند و کاهش انرژی را امکان‌پذیر می‌کند استفاده از خدمات ابری است که خانه را از راه دور کنترل می‌کند و بر مصرف انرژی در خانه‌های هوشمند نظارت می‌کند. سرویس‌های ابری اکنون می‌توانند داده‌های تولیدشده توسط این دستگاه‌های اینترنت اشیا را ذخیره و تجزیه و تحلیل کنند. الگوریتم‌هایی که روی ابر اجرا می‌شوند می‌توانند بینش‌های عملی برای کاهش مصرف انرژی در محیط اینترنت اشیا ایجاد کنند. مطالعه تکنیک‌های مختلف داده‌کاوی برای استخراج ارزش از حجم زیادی از داده‌های بزرگ اینترنت اشیا ذخیره‌شده در ابر یکی از مواردی است که توسط پژوهش‌های مختلف مورد بررسی قرار گرفته است.
راه‌حل‌های هوش مصنوعی مبتنی بر ابری که وجود دارد در یکی از دسته‌های زیر طبقه‌بندی می‌شوند:
الف- روی یک دستگاه واحد کار می‌کنند؛ یا
ب- روی چندین دستگاه هوشمند در یک خانه هوشمند کار می‌کنند؛ یا
ج- به وسیله چندین دستگاه متصل به ابر در خانه‌های هوشمند مختلف عمل می‌کنند.
برای هر کدام از طرح‌های بالا، تکنیک‌های مختلف یادگیری ماشین و هوش مصنوعی مورد استفاده قرار می‌گیرد.