XiaoMi-AI文件搜索系统
World File Search Systemhvac
加速在线加强学习，用于建立HVAC控制的HVAC控制，并使用异质专家指南
建筑物的供暖，通风和空调（HVAC）系统占美国能源消耗的近一半，在美国的总能源消耗量的20％。他们的运作对于确保建筑居民的身心健康也至关重要。与传统的基于模型的HVAC控制方法相比，基于最新的无模型深钢筋学习（DRL）方法表现出良好的性能，而不需要开发详细且昂贵的物理模型。但是，这些无模型的DRL方法通常会遭受较长的训练时间来达到良好的表现，这是其实践部署的主要障碍。在这项工作中，我们提出了一种系统的方法，通过充分利用各种形式的领域专家的知识来加速HVAC控制的在线增强学习。具体来说，算法阶段包括从现有的抽象物理模型和通过离线增强学习中的历史数据中的学习专家功能，将专家功能与基于规则的指南相结合，在综合专家功能指导下进行培训以及从蒸馏专家功能执行政策初始化的指导。实验结果表明最多8。8𝑋在以前的基于DRL的方法上加速。
HVAC 系统数字孪生 (HVACDT) 用于能源消耗和热量的多目标优化
摘要 本研究提出了一种新型的供暖、通风和空调 (HVACDT) 系统数字孪生框架，以降低能耗并提高热舒适度。该框架旨在帮助设施管理人员更好地了解建筑运营，以增强 HVAC 系统功能。数字孪生框架基于建筑信息模型 (BIM)，并结合新创建的插件来接收实时传感器数据以及通过 Matlab 编程实现的热舒适度和优化过程。为了确定建议的框架是否实用，在 2019 年 8 月至 2021 年 10 月期间从挪威的一栋办公楼收集了数据并用于测试该框架。然后使用 Simulink 模型中的人工神经网络 (ANN) 和多目标遗传算法 (MOGA) 来改进 HVAC 系统。HVAC 系统由空气分配器、冷却装置、加热装置、压力调节器、阀门、风门和风扇等组件组成。在此背景下，温度、压力、气流、冷却和加热操作控制等多种特性以及其他因素被视为决策变量。为了确定目标函数，预测的不满意百分比 (PPD) 和 HVAC 能源使用量均被计算出来。结果，ANN 的决策变量和目标函数相关性很好。此外，MOGA 提出了不同的设计因素，可用于
HVAC 系统中温度和湿度控制的混合方法以及模糊逻辑优化
本文的主要目的是阐明这种新的但前景广阔的模糊逻辑和自适应神经模糊网络混合方法，以及它在控制系统中的应用，特别是在计算机科学和工程应用领域。本文的最初目标是研究通过改变输入参数引起的能量消耗变化以及系统稳定性（包括系统响应时间和改变系统输入值时产生的误差）。本文将模型向前推进了一步，修改了基于数学的导出模型，以用于设计实用的模糊控制器并将其应用于实际应用，例如温度控制问题。修改了该模型，使传统控制器在有多个受限资源可用时更加明确。导出该模型是为了提供一个强大的量化模糊系统，该系统可以找出满意度水平，并提供一个实用且智能的工具，以进一步评估模糊逻辑控制器可用的不同选项的影响。
05.-07.03。 HVAC特学家日
费用和信息的共同验证费用为510.00欧元（Art。3049）包括参展商通行证和不包括营销贡献|基本的数字+和注册费是每个共同验证者向主要参展商收取的。根据《 1957年费用法》第3条的征收支架费的合同费，以及根据《广告税法》第1项第2项的营销费用征收5％的广告税。指定的价格缴纳了增值税（20％）。适用的Mess Wels的展览规定，其整体具有法律约束力，并可以在www.messe-wels.at下载在“一般条款和条件”下。管辖权和履行的地位是Wels/Austria。除了联合国购买法外，奥地利法律是有效的。
更广泛地利用故障检测技术来提高住宅暖通空调设备效率的障碍
本作品是作为美国政府机构赞助工作的记录而编写的。美国政府及其任何机构、其任何雇员、其任何承包商、分包商或其雇员均不对所披露的任何信息、设备、产品或流程的准确性、完整性或任何第三方的使用或此类使用的结果做任何明示或暗示的保证，也不承担任何法律责任或义务，也不表示其使用不会侵犯私有权利。本文以商品名、商标、制造商或其他方式提及任何特定商业产品、流程或服务，并不一定构成或暗示美国政府或其任何机构、其承包商或分包商对其的认可、推荐或支持。本文表达的作者的观点和意见不一定代表或反映美国政府或其任何机构、其承包商或分包商的观点和意见。
基于CTA-2045的混合ML模型，用于HVAC负载和储能的数字双胞胎控制功能
摘要 - 建造建模，专门的加热，通风和空调（HVAC）负载和等效的储能计算，代表了建筑物和智能网格控制的脱碳的关键重点。由于其复杂性而广泛使用的白盒模型在计算上太密集了，无法用于高分辨率分布式能源资源（DER）平台，而无需模拟时间延迟。在本文中，提出了一种超快速的一分钟分辨率混合机器学习模型（HMLM），作为新型程序的一部分，以复制白盒模型，以替代广泛的实验性大数据收集。使用了田纳西河谷管理局管理的三个现有智能房屋的实验校准能量置换模型的合成输出数据。HMLM采用合并的K-均值聚类和多个线性回归（MLR）模型来预测整个年度测试集的NRMSE误差少于10％的详细HVAC功率。提供了一种方法，可以通过新提出的混合模型将HVAC系统表征为适用于DER控制和事件类型的通用存储（GES）设备，该设备根据通信技术协会（CTA）2045标准和能量星指标，例如目前由行业开发的“能源收集”，以统一家庭设备控制。索引条款 - 储能存储系统（BES），通风和空调（HVAC），储能，ANSI/CTA-2045-B，能量星，能量恒星，能量吸收，家庭能量管理，需求响应（DR），机器学习，机器学习，机器学习，智能网格，智能网格>/div>
温暖世界的凉爽制冷剂开发：美国和全球市场的GWP HVAC低制冷剂法规和技术
大多数建筑空调和热泵系统都使用制冷剂工作液来冷却和加热建筑物。当今最常用的制冷剂，称为氢氟化合物（HFCS）具有很高的全球变暖潜力（GWP），并且需要用低gwp或“天然”溶液代替，以减少温室气体（GHG）的排放，同时也保持能量效率。这些制冷剂在释放到大气时会导致温室气体排放，这促使政府开发Phasteown计划以支持脱碳和能源效率目标。本文总结了美国的供暖，通风和空调（HVAC）制冷剂的状态，包括当前的政策和计划，制冷剂分类和安全标准，低和超低的GWP技术发展以及未来的机会继续减少排放。然后，本文讨论了美国，欧洲和亚洲的超低（<150 GWP）工作流体和高效率解决方案的HVAC技术的可用性和持续开发。
基于人工智能 (AI) 的多区域商业建筑以居住者为中心的供暖通风和空调 (HVAC) 控制系统
摘要：建筑物占全球能源消耗的近一半，而暖通空调 (HVAC) 系统消耗了约 40% 的总建筑能源。传统的 HVAC 控制器无法应对占用率和环境条件的突然变化，因此能源效率低下。尽管传统楼宇自动化系统的建筑热响应模型过于简单，占用传感器也不精确，但对更高效、更有效的无传感器控制机制的研究仍然完全不够。本研究旨在开发一种基于人工智能 (AI) 的以占用者为中心的 HVAC 制冷控制机制，该机制不断改进其知识，以提高多区域商业建筑的能源效率。这项研究使用了土耳其伊斯坦布尔一家购物中心两年的占用率和环境条件数据。研究模型包括三个步骤：预测每小时占用率、开发新的 HVAC 控制机制以及通过模拟比较传统和基于 AI 的控制系统。确定商场占用率的因素后，使用真实数据和人工神经网络 (ANN) 进行每小时占用率预测。借助上一阶段获得的占用率数据、建筑特征和实时天气预报信息，开发了一种无传感器 HVAC 控制算法。最后，使用 IDA 室内气候和能源 (ICE) 模拟软件对传统和基于 AI 的 HVAC 控制机制进行了比较。结果表明，将 AI 应用于 HVAC 操作可节省至少 10% 的能耗，同时为居住者提供更好的热舒适度。本研究的结果表明，所提出的方法可以成为可持续发展的非常有利的工具，并且随着方法的改进，也可以用作独立的控制机制。
通过使用新型轻量级动态优先级控制器，减少商业建筑暖通空调和制冷系统的峰值负荷并进行负荷整形
* 本稿件由 UT-Battelle, LLC 撰写，根据与美国能源部 (DOE) 签订的合同 DE-AC05-00OR22725。美国政府保留，出版商在接受发表本文时，承认美国政府保留非独占、已付费、不可撤销的全球许可，可以出于美国政府目的出版或复制本稿件的已出版形式，或允许他人这样做。DOE 将根据 DOE 公共访问计划 ( http://energy.gov/downloads/doe-public-access-plan ) 向公众提供这些联邦资助研究的结果。
j节案例研究系列：建筑立面建筑立面性能以及对HVAC设计和建筑能源的影响
气候区域2和6使用能量仿真软件包IES ，使用初步2019节J修订模拟工作中使用的办公室建筑几何形状。建模结果表明，改变玻璃系统和建筑立面属性对不同气候区域的建筑物的影响有所不同。在像布里斯班这样温暖的潮湿气候（气候区2）中，热舒适性会以较差的玻璃表现降低，但是像墨尔本这样的凉爽气候（6号气候区）可能会在构建FACADE SOLARARARARANANASE时会增加，尽管在绝对的情况下会考虑到非常小的热舒适度。该观察结果并不能说明气候变化引起的全球变暖。但是，无论气候区域如何，都可以得出的一致结论是：