Methodology for Ensuring a Comfortable Microclimate State in a Smart Home Using an Ensemble of Fuzzy Artificial Neural Networks

Мұқаба

Дәйексөз келтіру

Толық мәтін

Аннотация

Analysis of the application of smart home technology indicates an insufficient level of controllability of its infrastructure, which leads to excessive consumption of energy and information resources. The problem of managing the digital infrastructure of human living space, is associated with a large number of highly specialized solutions for home automation, which complicate the management process. Smart home is considered as a set of independent cyber-physical devices aimed at achieving its goal. For coordinated work of cyber-physical devices it is proposed to provide their joint work through a single information center. Simulation of device operation modes in a digital environment preserves the resource of physical devices by making a virtual calculation for all possible variants of interaction of devices between themselves and the physical environment. A methodology for controlling the microclimate of a smart home using an ensemble of fuzzy artificial neural networks is developed, with the example of joint use of air conditioning, ventilation and heating. The neural network algorithm allows you to monitor the parameters of the physical environment, predict the modes of cyber-physical devices and generate control signals for each of them, ensuring the joint operation of devices with minimal resource consumption and information traffic. A variant of practical implementation of a smart home climate control system on the example of a multifunctional educational computer class is proposed. Hybrid neural networks of air conditioning, ventilation and heating systems were developed. The testing of the microclimate control system of a multifunctional university classroom using hybrid neural networks was carried out, a programmable logic controller of domestic production was used as a control device. The goal of management based on cooperating cyber-physical devices is to achieve a minimum of power and information traffic when they work together.

Авторлар туралы

A. Mozohin

Branch IDGC of Centre — Kostromaenergo

Email: mozokhin@mail.ru
Prospect Mira Str. 53

Әдебиет тізімі

  1. Eungha Kim and Changsup Keum, Integrated community service platform system linked to smart home and smart city // 2016 Eighth International Conference on Ubiquitous and Future Networks (ICUFN), Vienna, 2016. pp. 380-382. doi: 10.1109/ICUFN.2016.7537053.
  2. Eungha Kim, Smart city service platform associated with smart home // 2017 International Conference on Information Networking (ICOIN), Da Nang, 2017. pp. 608-610. doi: 10.1109/ICOIN.2017.7899557.
  3. Masera M., Bompard E.F., Profumo F., Hadjsaid N. Smart (electricity) grids for smart cities: assessing roles and societal impacts // Proceedings of the IEEE, 2018. Vol. 106. № 4. pp. 613-625. doi: 10.1109/JPROC.2018.2812212.
  4. Cheng Z., Duan J., Chow M-Y. To centralize or to distribute: that is the question: a comparison of advanced microgrid management systems // Industrial Electronics Magazine IEEE, 2018. vol. 12. № 1. pp. 6-24. doi: 10.1109 / MIE.2018.2789926.
  5. Du Y., Hao T., Lukic S., Lubkeman D., Dubey A., Karsai G. Development of a controller hardware-in-the-loop platform for microgrid distributed control applications // Electronic Power Grid (eGrid) 2018 IEEE. 2018. pp. 1-6. doi: 10.1109/eGRID.2018.8598696.
  6. V. Govindraj, M. Sathiyanarayanan and B. Abubakar, Customary homes to smart homes using Internet of Things (IoT) and mobile application // 2017 International Conference On Smart Technologies For Smart Nation (SmartTechCon), Bangalore, 2017. pp. 1059-1063. doi: 10.1109/SmartTechCon.2017.8358532.
  7. S.J. Clement, D.W. McKee, R. Romano, J. Xu, J.M. Lopez, D. Battersby, The Internet of Simulation: enabling agile model based systems engineering for cyber-physical systems // 12th System of Systems Engineering Conference (SoSE), IEEE (2017). pp. 1-6. doi: 10.1109/SYSOSE.2017.7994948.
  8. Y. Cheng, Y. Zhang, P. Ji, W. Xu, Z. Zhou, F. Tao. Cyber-physical integration for moving digital factories forward towards smart manufacturing: a survey // Int J Adv Manuf Technol (2018). pp. 1-13. doi: 10.1016/j.jii.2017.08.001.
  9. Shvedenko, V.N., Mozokhin, A.E. Methodological Foundations for the Formation of Information Space and Digital Twin Objects in Smart Homes // Autom. Doc. Math. Linguist. 53, 303–308 (2019). doi: 10.3103/S0005105519060074.
  10. V.-H. Bui, A. Hussain, Y.-H. Im, and H.-M. Kim, An internal trading strategy for optimal energy management of combined cooling, heat and power in building microgrids // Appl. Energy. vol. 239. pp. 536-548. Apr. 2019.
  11. S. Huang, Y. Lin, V. Chinde, X. Ma, and J. Lian, Simulation-based performance evaluation of model predictive control for building energy systems // Appl. Energy. vol. 281, Jan. 2021, P. 116027.
  12. Álvarez, J. & Costa-Castelló, Ramon & Castilla, María del Mar. (2018). Repetitive Control to Improve Users’ Thermal Comfort and Energy Efficiency in Buildings // Energies. 11(4): 976. doi: 10.3390/en11040976.
  13. Abhinandana, Boodi & Beddiar, Karim & Benamour, Malek & Amirat, Yassine & Benbouzid, Mohamed // (2018) Intelligent Systems for Building Energy and Occupant Comfort Optimization: A State of the Art Review and Recommendations. Energies. 11(10): 1-26. doi: 10.3390/en11102604.
  14. Шведенко В.В., Мозохин А.Е. Методология организации полиструктурной системы обеспечения информационного взаимодействия и мониторинга процессов генерации, транспорта, распределения и потребления электрической энергии // Информационно-экономические аспекты стандартизации и технического регулирования. 2021. № 2 (60). С. 71-82.
  15. Шведенко В.Н., Мозохин А.Е. Концепция управления сетевой структурой интеллектуальных устройств в условиях цифровой трансформации энергетической отрасли // Научно-технический вестник информационных технологий, механики и оптики. 2021. Т. 21, № 5. С. 748–754. doi: 10.17586/2226-1494-2021-21-5-748-754
  16. Z. Pezeshki and S.M. Mazinani, Comparison of artificial neural networks, fuzzy logic and neuro fuzzy for predicting optimization of building thermal consumption: A survey // Artif. Intell. Rev. vol. 52. no. 1. pp. 495-525, Jun. 2019.
  17. A. Esmaeilzadeh, M.R. Zakerzadeh, and A.Y. Koma, The comparison of some advanced control methods for energy optimization and comfort management in buildings // Sustain. Cities Soc. vol. 43. pp. 601-623. Nov. 2018.
  18. M.S. Ahmed, A. Mohamed, H. Shareef, R.Z. Homod, and J.A. Ali, Artificial neural network based controller for home energy management considering demand response events // in Proc. Int. Conf. Adv. Electr., Electron. Syst. Eng. (ICAEES). Nov. 2016. pp. 506-509.
  19. E. Isik and M. Inalli, Artificial neural networks and adaptive neurofuzzy inference systems approaches to forecast the meteorological data for HVAC: The case of cities for Turkey // Energy. vol. 154. pp. 7-16. Jul. 2018.
  20. A.Y. Abdelaziz and E.S. Ali, Cuckoo search algorithm based load frequency controller design for nonlinear interconnected power system // Int. J. Electr. Power Energy Syst. vol. 73. pp. 632-643. Dec. 2015.
  21. J. Wang, S. Li, H. Chen, Y. Yuan, and Y. Huang, Data-driven model predictive control for building climate control: Three case studies on different buildings // Building Environ. vol. 160. Aug. 2019. Art. no. 106204.
  22. S.K. Howell, H. Wicaksono, B. Yuce, K. McGlinn, and Y. Rezgui, User centered neuro-fuzzy energy management through semantic-based optimization // IEEE Trans. Cybern. vol. 49. no. 9. pp. 3278-3292. Sep. 2019.
  23. Лабинский А.Ю., Нефедьев С.А., Бардулин Е.Н. Использование нечеткой логики и нейронных сетей в системах автоматического управления // Научно-аналитический журнал «Вестник Санкт-Петербургского университета Государственной противопожарной службы МЧС России». 2019. №1. URL: https://cyberleninka.ru/article/n/ispolzovanie-nechetkoy-logiki-i-neyronnyh-setey-v-sistemah-avtomaticheskogo-upravleniya (дата обращения: 01.11.2021).
  24. Parvin, Khadija & Hossain Lipu, M.S. & Hannan, M.A. & Abdullah, Majid & Ker, Pin Jern & Begum, Rawshan & Mansor, Muhamad & Muttaqi, Kashem & Mahlia, T. & Dong, Z.Y.. (2021). Intelligent Controllers and Optimization Algorithms for Building Energy Management Towards Achieving Sustainable Development: Challenges and Prospects // IEEE Access. no. 9. pp. 41577 - 41602. doi: 10.1109/ACCESS.2021.3065087.
  25. Круглов, В.В. Нечеткая логика и искусственные нейронные сети /В.В. Круглов, М.И. Дли, Р.Ю. Голунов. – СПб.: Питер, 2003.
  26. Анил К., Мао Д.-Д. Введение в искусственные нейронные сети. – Мичиган, США: Мичиганский гос. ун-т; Исследовательский центр IBM в Альмадене, США, 2006.
  27. Яхъяева, Г.Э. Нечеткие множества и нейронные сети: Учебное пособие / Г.Э. Яхъяева. - М.: БИНОМ. ЛЗ, ИНТУИТ.РУ, 2012. - 316 c.
  28. Оссовский, С. Нейронные сети для обработки информации: перев. с польского / С. Оссовский. – М.: Финансы и статистика, 2004. – 344 с.
  29. СанПиН 1.2.3685-21 "Гигиенические нормативы и требования к обеспечению безопасности и (или) безвредности для человека факторов среды обитания" / Постановление Главного государственного санитарного врача РФ от 28.01.2021 N 2. – М.: Минюст России, 2021. – 1142 с.
  30. ГОСТ Р ЕН 13779-2007 Вентиляция для нежилых зданий. Требования к рабочим характеристикам для вентиляционных и кондиционерных комнатных систем. – М.: Минстрой России, 2007. – 43 с.
  31. A. Garnier, J. Eynard, M. Caussanel, and S. Grieu, Predictive control of multizone heating, ventilation and air-conditioning systems in non-residential buildings // Appl. Soft Comput.. vol. 37. pp. 847-862. Dec. 2015.
  32. Z. Yong, Y. Li-Juan, Z. Qian, and S. Xiao-Yan, Multi-objective optimization of building energy performance using a particle swarm optimizer with less control parameters // J. Building Eng. vol. 32. Nov. 2020. Art. no. 101505.
  33. Мозохин А.Е., Цифровые платформы интеллектуальных сервисов / А.Е. Мозохин, Б.А. Староверов //Сборник докладов научно-технической конференции молодых специалистов РЕЛАВЭКСПО-2019. – Чебоксары: Изд-во Чуваш. ун-та, 2019. – С. 240–245.
  34. Guozeng Feng, Shuya Lei, Xinxin Gu, Yuejiao Guo, Junyi Wang. Predictive control model for variable air volume terminal valve opening based on backpropagation neural network // Building and Environment, 2020. ISSN 0360-1323. doi: 10.1016/j.buildenv.2020.107485
  35. M. Ayani, M. Ganebäck, A.H.C. Ng Digital Twin: applying emulation for machine reconditioning // 51st CIRP Conference on Manufacturing Systems, Stockholm, May 16–18, 2018 (2018). pp. 243-248. doi: 10.1016/j.procir.2018.03.139
  36. Y. Cai, B. Starly, P. Cohen, Y.S. Lee. Sensor data and information fusion to construct digital-twins virtual machine tools for cyber-physical manufacturing // Procedia Manuf, 10 (2017). pp. 1031-1042. doi: 10.1016/j.promfg.2017.07.094
  37. M. Macchi, I. Roda, E. Negri, L. Fumagalli. Exploring the role of digital twin for asset lifecycle management IFAC-PapersOnLine, 51 (2018). pp. 790-795. doi: 10.1016/j.ifacol.2018.08.415

Қосымша файлдар

Қосымша файлдар
Әрекет
1. JATS XML
Жүктеу

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».