Simulation modeling of the functional twin of the microclimate control system of an intelligent building.

Cover Page

Cite item

Full Text

Abstract

The presented work is dedicated to the development of an intelligent microclimate control system for buildings (an HVAC system). The research focuses on addressing the problem of insufficient adaptability of traditional approaches (PID controllers, knowledge-based systems) in the context of dynamically changing internal environmental parameters of a building. The main emphasis is on creating a hybrid method that combines the advantages of functional programming and artificial intelligence. The study examines issues of energy efficiency, accuracy in maintaining comfortable conditions for visitors of intelligent buildings, and the robustness of the HVAC system to external disturbances. A crucial task is to minimize operational costs while ensuring the safety and reliability of equipment operation. The presented research covers all stages of software development—from designing its architecture to practical testing. The core of the research is based on the approach of a functional twin implemented in Haskell. LSTM networks are used for forecasting, genetic algorithms for optimization, and the RETE algorithm for rule processing. Verification is conducted through simulation modeling, generating 1440 data points. The scientific novelty of the presented work lies in the application of a categorical-theoretic approach to model the functional twin, where each device (both sensors and actuators) is represented as a composition of pure functions. Results demonstrate a 14.7% reduction in energy consumption, an increase in the operational time within a comfortable range to 94.7%, and a threefold reduction in the switching frequency of the HVAC system modes. Practical significance is confirmed by a 15% decrease in operational costs and improved cyber resilience through the use of immutable data structures. The conclusions indicate that the combination of functional programming with a hybrid approach in artificial intelligence provides a balance of key system parameters. The proposed architecture can serve as a benchmark for integrating IoT and cyber-physical systems within the framework of Industry 4.0.

References

  1. Комаров Н.М., Жаров В.Г. Концепция переустройства управления энергоэффективностью интеллектуального здания // Сервис в России и за рубежом. 2013. № 7. С. 36-47. EDN: RAMRRV.
  2. Сунгатуллин Р.Г. Энергетическая эффективность умных городов: экономические аспекты внедрения новых технологий // Экономика и управление: проблемы, решения. 2025. Т. 2. № 3. С. 97-105. doi: 10.36871/ek.up.p.r.2025.03.02.012. EDN: HQVOQH.
  3. Душкин Р.В. Функциональное программирование на языке Haskell. М.: ДМК-Пресс, 2007. 608 с.
  4. Душкин Р.В., Мохов А.И. Модель распределённых вычислений для организации программной среды, обеспечивающей управление автоматизированными системами интеллектуальных зданий // Компьютерные исследования и моделирование. 2021. Т. 13. № 3. С. 557-570. doi: 10.20537/2076-7633-2021-13-3-557-570. EDN: GHZEVY.
  5. Липовача М. Изучай Haskell во имя добра! / пер. с англ. Д. Леушина, А. Синицына, Я. Арсанукаева. М.: ДМК Пресс, 2014. 490 с.
  6. Mao Z., Wu L., Song L., Huang D. Data Preprocessing and Kalman Filter Performance Improvement Method in Integrated Navigation Algorithm // Chinese Control Conference (CCC). Guangzhou, China, 2019. P. 3416-3422. doi: 10.23919/ChiCC.2019.8865567.
  7. Nusrat I., Jang S.-B. A Comparison of Regularization Techniques in Deep Neural Networks // Symmetry. 2018. Vol. 10. No. 11. P. 648. doi: 10.3390/sym10110648.
  8. Xu Y., Wang R., Goswami N., Li T., Gao L., Qian D. Software Transactional Memory for GPU Architectures // Proceedings of Annual IEEE/ACM International Symposium on Code Generation and Optimization (CGO '14). New York: ACM, 2014. P. 1-10. doi: 10.1145/2581122.2544139.
  9. Bouktif S., Fiaz A., Ouni A., Serhani M.A. Optimal Deep Learning LSTM Model for Electric Load Forecasting using Feature Selection and Genetic Algorithm: Comparison with Machine Learning Approaches // Energies. 2018. Vol. 11. No. 7. P. 1636. doi: 10.3390/en11071636.
  10. Karimi A., Mohajerani M., Alinasab N., Akhlaghinezhad F. Integrating Machine Learning and Genetic Algorithms to Optimize Building Energy and Thermal Efficiency Under Historical and Future Climate Scenarios // Sustainability. 2024. Vol. 16. No. 21. P. 9324. doi: 10.3390/su16219324. EDN: PDGTHC.
  11. Do S.W.S., Dubois M. Transaction-Based Core Reliability // 2020 IEEE International Parallel and Distributed Processing Symposium (IPDPS). New Orleans, 2020. P. 168-179. doi: 10.1109/IPDPS47924.2020.00027.
  12. Qi J., Kim Y., Chen C., Lu X., Wang J. Demand Response and Smart Buildings: A Survey of Control, Communication, and Cyber-Physical Security // ACM Trans. Cyber-Phys. Syst. 2017. Vol. 1. No. 4. Article 18. 25 p. doi: 10.1145/3009972.
  13. Alghamdi S.M., Ajour M.N., Abu-Hamdeh N.H., Karimipour A. Introducing a new PID controller to control the addition of PCM to the building with ventilation heat recovery installation to reduce the energy demand of the cooling system // Journal of Building Engineering. 2022. Vol. 56. 104766. doi: 10.1016/j.jobe.2022.104766. EDN: YPRUFR.
  14. Xue Y., Jiang J., Hong L. A LSTM based prediction model for nonlinear dynamical systems with chaotic itinerancy // Int. J. Dynam. Control. 2020. Vol. 8. P. 1117-1128. doi: 10.1007/s40435-020-00673-4. EDN: CCFIWE.
  15. Afram A., Janabi-Sharifi F. Effects of dead-band and set-point settings of on/off controllers on the energy consumption and equipment switching frequency of a residential HVAC system // Journal of Process Control. 2016. Vol. 47. P. 161-174. doi: 10.1016/j.jprocont.2016.09.009.
  16. Sagan J., Sobotka A. Analysis of Factors Affecting the Circularity of Building Materials // Materials. 2021. Vol. 14. No. 23. P. 7296. doi: 10.3390/ma14237296. EDN: UYSVLB.
  17. Мохов А.B., Душкин Р.В. Функциональный подход к интеллектуализации объектов на основе комплексотехники // E-Management. 2020. Т. 3. № 4. С. 13-25. doi: 10.26425/2658-3445-2020-3-4-13-25. EDN: AKDRKN.
  18. Valliappan N., Krook R., Russo A., Claessen K. Towards secure IoT programming in Haskell // Proceedings of the 13th ACM SIGPLAN International Symposium on Haskell (Haskell 2020). New York: ACM, 2020. P. 136-150. doi: 10.1145/3406088.3409027.
  19. Park D., Kim S., An Y., Jung J.-Y. LiReD: A Light-Weight Real-Time Fault Detection System for Edge Computing Using LSTM Recurrent Neural Networks // Sensors. 2018. Vol. 18. No. 7. P. 2110. doi: 10.3390/s18072110.
  20. Raiaan M.A.K., Mukta S.H., Fatema K., Fahad N.M., Sakib S., Mimet M.M.J. A Review on Large Language Models: Architectures, Applications, Taxonomies, Open Issues and Challenges // IEEE Access. 2024. Vol. 12. P. 26839-26874. doi: 10.1109/ACCESS.2024.3365742. EDN: LTUDIM.
  21. Bilotta G., Genovese E., Citroni R., Cotroneo F., Meduri G.M., Barrile V. Integration of an Innovative Atmospheric Forecasting Simulator and Remote Sensing Data into a Geographical Information System in the Frame of Agriculture 4.0 Concept // AgriEngineering. 2023. Vol. 5. No. 3. P. 1280-1301. doi: 10.3390/agriengineering5030081. EDN: ETBJWA.

Supplementary files

Supplementary Files
Action
1. JATS XML
Download

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».