دانلود رایگان ترجمه مقاله سیستم مبتنی بر قانون برای تشخیص ناهنجاری های بهره وری انرژی (نشریه الزویر ۲۰۱۶) (ترجمه رایگان – برنزی ⭐️)

elsevier

 

 

این مقاله انگلیسی ISI در نشریه الزویر در ۱۴ صفحه در سال ۲۰۱۶ منتشر شده و ترجمه آن ۳۴ صفحه میباشد. کیفیت ترجمه این مقاله رایگان – برنزی ⭐️ بوده و به صورت ناقص ترجمه شده است.

 

دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی
عنوان فارسی مقاله:

سیستم مبتنی بر قانون برای تشخیص ناهنجاری های بهره وری انرژی در ساختمان های هوشمند، یک رویکرد داده کاوی

عنوان انگلیسی مقاله:

Rule-based system to detect energy efficiency anomalies in smart buildings, a data mining approach

 
 
 
 

 

مشخصات مقاله انگلیسی (PDF)
سال انتشار ۲۰۱۶
تعداد صفحات مقاله انگلیسی ۱۴ صفحه با فرمت pdf
رشته های مرتبط با این مقاله مهندسی معماری، مهندسی صنایع
گرایش های مرتبط با این مقاله تکنولوژی معماری، بهینه سازی سیستم ها
چاپ شده در مجله (ژورنال) سیستم های خبره با کاربردهای آن – Expert Systems With Applications
کلمات کلیدی بهره وری انرژی، ساختمان هوشمند، شاخص های بهره وری انرژی، تجزیه و تحلیل، سیستم کارشناس، سیستم پشتیبانی تصمیم
رفرنس دارد  
کد محصول F1420
نشریه الزویر – Elsevier

 

مشخصات و وضعیت ترجمه فارسی این مقاله 
وضعیت ترجمه انجام شده و آماده دانلود
تعداد صفحات ترجمه تایپ شده با فرمت ورد با قابلیت ویرایش  ۳۴ صفحه (۲ صفحه رفرنس انگلیسی) با فونت ۱۴ B Nazanin
ترجمه عناوین تصاویر و جداول ترجمه شده است 
ترجمه متون داخل تصاویر ترجمه نشده است 
ترجمه متون داخل جداول ترجمه شده است 
درج تصاویر در فایل ترجمه درج شده است 
درج جداول در فایل ترجمه درج شده است  
کیفیت ترجمه کیفیت ترجمه این مقاله پایین میباشد 
توضیحات ترجمه بعضی بخش های مقاله نامرتبط با مقاله می باشد.

 

فهرست مطالب

چکیده
۱- مقدمه
۲- توضیحات ساختمان هوشمند و جمع کننده داده
۲-۱ شرح منابع داده ها
۳- سیستم پشتیبانی تصمیم گیری مبتنی بر داده کاوی
۳-۱ پیش پردازش داده
الف- تغییرات عملیاتی شاخص کمپرسور HVAC OCC
ب- تعداد تغییرات رژیم عملیاتی کمپرسور هواکشی (ORCC):
۳-۳ سیستم مبتنی بر قاعده برای تشخیص ناهنجاری در مصرف انرژی
۴-نتیجه و بحث
۵-نتیجه گیری

 

بخشی از ترجمه

چکیده
مصرف انرژی رو به رشد سریعِ جهان در حال حاضر نگرانیهایی را نسبت به فرسودگی منابع انرژی و اثرات زیست محیطی سنگین ایجاد کرده است. در نتیجه این نگرانی ها، گرایش و تمایلاتی نسبت به شهر های سبز و هوشمند افزایش یافته است. برای پاسخ دادن به این گرایشات افزایش شهرک های هوشمند با ساختمان ها هر بار پیچیده تر میشود، در این مقاله روش جدیدی برای حل مشکل تشخیص ناکارآمدی انرژی در ساختمان های هوشمند پیشنهاد شده است. این راه حل، یک سیستم مبتنی بر قاعده است که از طریق تکنیک های داده کاوی و استفاده از دانش کارشناسان بهره وری انرژی مورد استفاده قرار می گیرد. مجموعه ای از شاخص های کارآیی انرژی مفید نیز برای تشخیص ناهنجاری ها پیشنهاد شده است. سیستم استخراج داده ها از طریق دانش استخراج شده توسط یک مجموعه کامل از سنسورهای ساختمان طراحی شده است. بنابراین، نتایج این فرایند مجموعه ای از قوانینی است که به عنوان بخشی از سیستم پشتیبانی تصمیم برای بهینه سازی مصرف انرژی و تشخیص ناهنجاری ها در ساختمان های هوشمند استفاده می شود.

۱- مقدمه
امروزه مصرف روز افزون انرژی در جهان منجر به بروز برخی مشکلات در زمینه عرضه، تخلیه منابع انرژی و اثرات زیست محیطی سنگین و نامطلوب شده است. در سرتاسر دنیا تغییرات در مصرف انرژِی در بخش های مسکونی، خدمات دولتی و تجاری با مصرف کل ۵۶٫۹ درصد می باشد که ۲۴ درصد انتشار دی اکسید کربن در جهان را شامل می شود. این تغییرات بر بهبود کارایی انرژی و بر مبنای استفاده از انرژی تجدید پذیر می باشد که در نهایت منجر به حداقل سازی مصرف انرژی می شود.
در حال حاضر تغییرات در زمینه EE بر حوزه های مختلفی متمرکز بوده است. در دهه اخیر، تحقیقات زیادی در خصوص بهینه سازی کارایی مصرف انرژی در ساختمان ها صورت گرفته است. پارامترهای به روز شده در زمینه تکنولوژی و هزینه ها به کاهش مصرف برق کمک می کنند. به همین دلیل، EE به دلیل کمبود منابع انرژی و اثرات زیست محیطی سنگین در انرژی جهانی به سرعت در حال افزایش است. فرصت های بزرگ برای بهبود بهره وری انرژی توسط آژانس بین المللی انرژی (DOE/EIA-0383, 2013) بیان شده است.
افزایش شهر های هوشمند در کنار ساختمان هوشمند و سبز روز به روز تشدید می شود. این منجر به به آغاز روند ساخت و ساز در آینده است (غفاریان حسینی و همکاران، ۲۰۱۳) مزایای این ساختمان ها شامل سطح بالایی از آسایش، راندمان بالا قدرت و محیط زیست است علاوه بر این، منابع انرژی تجدیدپذیر به عنوان منبع تغذیه اصلی ساختمان های هوشمند به منظور دستیابی به سازگاری با محیط زیست، آسایش و رفاه انرژی در ساختمان ها این الزامات مورد استفاده در مدیریت یک کنترل موثر در ساختمان به دست می آیند.
در حال حاضر، روند تحقیق در حال حاضر در EE در زمینه های مختلف تمرکز دارد. در دهه گذشته تحقیقات قابل توجهی در مورد بهینه سازی EE در ساختمان ها صورت گرفت برخی از روند از تصمیم گیری در مورد سرمایه گذاری به طراحی ساختمان اما روند اصلی متمرکز بر فن آوری های جدید مورد استفاده برای ساختمان های هوشمند است. در یک مقاله تاثیر فناوری نوآوری زیست محیطی برای بهبود EE در ساختمان های عمومی مورد مطالعه قرار گرفته است، یکی از روند های EE بر اساس بهینه سازی مصرف انرژی، حفظ سطح بالایی از سلامتی برای ساکنان است. در مقاله زو ۲۰۱۲ کاهش تقاضا براساس انحراف اقتصادی پیشنهاد شده است. همچنین، در مطالعه ادیسون ۲۰۱۲، مطالعات در بخش سوم و در ساختمان های بزرگ از طریق سیستم شبیه سازی متمرکز شده است.
سیستم پیشرفته ساختمان سازی پیشرفته (BAS) تبدیل به سنگ بنای ساختمان های هوشمند مدرن شده است. ادغام عوامل عرضه و تقاضای انرژی، که اغلب به عنوان مدیریت تقاضا (DSM) شناخته می شود، به یک مفهوم مهم سیاست انرژی تبدیل شده است (آزاده، صابری، قادری، گتیفوروز و ابراهیم فور، ۲۰۰۸). بسیاری از این پتانسیل را می توان از طریق سیاست هایی برای پیشرفت اجرای مدیریت انرژی و سیستم های کنترل (EMCS).
در مقاله نمت ۲۰۱۳ یکی از پیچیده ترین مشکلات مدیریت انرژی بهینه بر اساس متغیرهای محیط زیست در زمان واقعی ساختمان است. EMCS بهترین سیاست های انرژی برای ساختن زمان واقعی را با هدف اصلی حفظ راحتی در سطح بالا با حداقل مصرف برق در شرایط مختلف عملیات ارایه کرده است بنابراین، در حال حاضر گروه های تحقیق تلاش می کنند تا این مشکل را از دیدگاه های مختلف و با تکنیک های مختلف حل کنند (نگوین و ایلو، ۲۰۱۳). بعضی از مطالعات از اقدامات اساسی برای بهبود EE در ساختمان های تجاری (ائیسا ۲۰۱۱) به مدیریت پیچیده تر انرژی بر اساس مجموعه ای از قوانین یکپارچه شده در یک SCADA بر اساس کنترل پیش بینی شده از طریق یک سیستم عملکرد هزینه ( کوستا ۲۰۱۲) یک مدل چند هدفه مبتنی بر تصمیم گیرنده برای بهبود EE در ساختمان ها از طریق تکنیک های تصمیم گیری چند معیاره استفاده می شود. پیشنهاد دیگری در الدوارتل و همکاران در نظر گرفته شده است. (۲۰۱۲)، با یک مدل کنترل پیش بینی شده همراه با پیش بینی آب و هوا که به شما توصیه می کند چگونه کنترل سیستم های تهویه مطبوع در ساختمان هوشمند. راه حل های پیچیده تر بر اساس یک سیستم چند عامل (MAS) است. در مقاله پسا ۲۰۱۲ مصرف انرژی و معیارهای بدون محیط زیست، از طریق یک مدل چند هدفه با هدف سرمایه گذاری بهینه سازی شده است. در کلاین و همکاران (۲۰۱۲)، مدل بر اساس مدل تصمیم گیری مارکوف (MDM) است. و در یانگ و وان (۲۰۱۲)، MAS مبتنی بر رفتار رفتار ساکنان برای بهینه سازی مصرف انرژی و حفظ راحتی در سطح بالا مورد استفاده قرار می گیرد.
سایر تحولات تحقیقاتی راه حل های EE را از طریق شناسایی دانش از داده ها پیشنهاد می کنند. تجزیه و تحلیل داده ها و طبقه بندی برای پیش بینی میزان مصرف انرژی ساختمان یک تحلیل جالب از طراحی ساختمان انرژی با استفاده از تکنیک های DM ارائه شده است. همچنین، در یو، حقیقت، فونگ و ژو (۲۰۱۲)، نویسندگان پیشنهاد می کنند دانش را بر مبنای ارتباطات استخراج معادن بین ساختمان داده های عملیاتی، کشف کنند. با این حال، تجزیه و تحلیل مصرف انرژی در مرحله استفاده بسیار مهم است، و واضح است که ویژگی های ساخت و ساز ساختمان ها به طور قابل توجهی در طول عمر ساختمان تاثیر می گذارد. علاوه بر این، نحوه استفاده از امکانات در مرحله استفاده نیز در تعیین کارایی ساختمان بسیار مهم است در جریان تحقیقات فعلی EE، دیگر کارهای مشابه در تشخیص ناهنجاری های EE در ساختمان های هوشمند با استفاده از تکنیک های داده کاوی انجام نشد.
سیستم های مبتنی بر قاعده به طور سنتی در بهره وری انرژی، اجرای مدیریت انرژی و سیستم های کنترل، حتی در سناریوهای جدید ارائه شده توسط شبکه های هوشمند لیو ۲۰۱۲ به کار می رود. منابع متعددی در مورد سیستم مبتنی بر قاعده وجود دارند که از فرایند بهینه سازی بهره وری انرژی در ابعاد مختلف پشتیبانی می کنند و برخی از این منابع معمولا با روش های دیگر برای بهبود دقت و کارایی بهینه سازی ترکیب می شوند. SEMERGY.net یک محیط بهینه سازی مبتنی بر وب را پیشنهاد می کند که از کاربران در تصمیم گیری در مورد طرح های ساخت و ساز انرژی صرفه جویی می کند. این سیستم مبتنی بر یک سیستم مبتنی بر قاعده است که از هستی شناسی اطلاعات مربوط به محصول ساختمان مرتبط استفاده می کند. وانگ ۲۰۱۲ یک الگوریتم مبتنی بر قاعده برای کنترل گروه آسانسور پیشنهاد می کند که بر طراحی قوانین اعطای صرفه جویی در انرژی تمرکز دارد. بروک بارچ ۲۰۱۴ دو روش کنترل گرا برای بهبود کارایی انرژی در ساختمان های تجاری را مورد بررسی قرار دادند: کنترل کننده بازخورد مبتنی بر قاعده، با استفاده از اندازه گیری زمان اشغال در زمان واقعی و کنترل پیش بینی کننده مدل (MPC)، سیستم های چند عامل (MAS) فن آوری مربوط به RBS، چرا که هر عامل یک سیستم مبتنی بر قاعده را اجرا می کند. در این رابطه، ویلر و همکاران (۲۰۰۹) یک کاربرد واقعی MAS را برای هماهنگ کردن بخاری های الکتریکی ساختمان پیشنهاد دادند تا سطح راحتی را بهره وری انرژی در ساختمان در نظر بگیرند هاراتدو و همکاران (۲۰۱۴) پیشنهاد یک استراتژی کنترل عامل برای عملیات ساختمان ها، اجرای استراتژی تصمیم گیری مبتنی بر قاعده فازی برای نظارت و کنترل جریان انرژی در یک ساختمان داده است در نهایت، ری و همکاران ۲۰۱۲ یک مدل قاعدهی را پیشنهاد کرد که در آن قوانین میتوانند با توجه به بازخورد کاربر به صورت پویا به روزرسانی شوند و به موقعیتهای مختلف اعمال شوند تا از کارآیی انرژی و میزان راحتی کاربر پشتیبانی شود.
کار فعلی که در این مقاله شرح داده شده است در Project KnoholEM غوطه ور شده است، که به FP7 FP7-285229 KnoholEM) پیوسته است. محتویات اصلی پروژه KnoHolEM بر اساس یک راه حل مدیریت هوشمندانه انرژی بر پایه سه عنصر اصلی استوار است: تکنیک های مدل سازی دانش و پایگاه دانش، اعتبار سنجی گسترده ای در مورد اشیاء مختلف تظاهرات برای افزایش پایگاه دانش و همچنین اجرای سخت افزار انرژی سیستم مدیریت. بعضی از مهمترین اهداف پروژه KnoHolEM یک مدل ساختاری کارآمد انرژی است، یک مدل رفتار سازمانی خاص که توسط یک هستیشناسی خاص و یک روش داده کاوی برای تجزیه و تحلیل مصرف انرژی دقیق در زمان واقعی تکمیل شده است.
هدف اصلی این مقاله بهینه سازی مصرف انرژی در یک ساختمان هوشمند، کاهش مصرف انرژی، حفظ درجه بالای راحتی و سازگاری با محیط زیست از طریق رویکرد داده کاوی است. برای این منظور یک سیستم شاخصهای کارایی مصرف انرژی و یک سیستم مبتنی بر قاعده ارایه می شود این سیستم ها پس از یک فرایند DM برای استخراج دانش پنهان در داده های تاریخی و متخصصان کارایی مصرف انرژی اجرا می شوند. امروزه در مرحله ازمایشی و به لطف پیشرفت های انجام شده، هدف اصلی تلفیق این چارچوب در یک نرم افزار EE موسوم به یوژن، مالک کمپانی ISOTROL است.
مقاله به شرح زیر است: در بخش ۲، توضیحات ساختمان هوشمند و منابع داده ارائه شده است. شرح منابع داده ها به سه بخش تقسیم می شود: سنسورهای داخلی، سنسورهای در فضای باز و در نهایت، آنالیزورهای انرژی. در بخش ۳، DSS مبتنی بر داده کاوی برای افزایش بهره وری انرژی در ساختمان پیشنهاد شده است. این به سه بخش تقسیم می شود: پیش پردازش داده ها (تمیز کردن، فیلتر کردن و تبدیل)، توضیحات شاخص های بهره وری انرژی و در نهایت سیستم مبتنی بر قاعده برای تشخیص ناهنجاری ها در ساختمان هوشمند. در بخش ۴، نتایج چارچوب به دست آمده از ساختمان هوشمند ارائه شده است. بخش ۵، اظهارات نهایی و خطوط پژوهشی آینده پیشنهاد شده است.
در کار مرتبط، یک مورد مطالعه پیشنهاد شده است. هدف اصلی این مطالعه مطالعه نحوه تشخیص ناهنجاریهای EE در ساختمان هوشمند به صورت خودکار و با کارایی بالا است. امروزه اکثر ساختمانها باید توسط کارشناسان EE مورد تجزیه و تحلیل قرار گرفته و رفتار ساختمان EE را تحلیل و درک کنند و از سوی دیگر سعی در تشخیص ناهنجاریهای EE داشته باشند.
در این مورد مطالعه یک سیستم است که قادر به تجزیه و تحلیل رفتار EE در یک ساختمان، شناسایی تمام انواع ناکارآیی EE و بررسی چگونگی اثربخشی را از طریق روش DM ارائه می دهد.

 

بخشی از مقاله انگلیسی

Abstract

The rapidly growing world energy use already has concerns over the exhaustion of energy resources and heavy environmental impacts. As a result of these concerns, a trend of green and smart cities has been increasing. To respond to this increasing trend of smart cities with buildings every time more complex, in this paper we have proposed a new method to solve energy inefficiencies detection problem in smart buildings. This solution is based on a rule-based system developed through data mining techniques and applying the knowledge of energy efficiency experts. A set of useful energy efficiency indicators is also proposed to detect anomalies. The data mining system is developed through the knowledge extracted by a full set of building sensors. So, the results of this process provide a set of rules that are used as a part of a decision support system for the optimisation of energy consumption and the detection of anomalies in smart buildings.

۱- Introduction

Nowadays, the growing world energy use has already raised concerns over supply difficulties (Belussi, & Danza, 2012), exhaustion of energy resources and heavy environmental impacts (PérezLombard, Ortiz, & Pout, 2008; Rashid et al., 2011). Worldwide trends in energy consumption in residential, public services and commercial sectors with a total consumption of 56.9% (EIA, 2013), which constitutes 24% of the world’s CO2 emission (Day, Jones, & Turton, 2013), are basically focused on improving the Energy Efficiency (EE), based on renewable energy use and systems that minimises the energy consumption.

Currently, there are many international organisations sponsoring initiatives to encourage the development of technologies in this area (de Alegría Mancisidor, Díaz de Basurto Uraga, Martínez de Alegría Mancisidor, & Ruiz de Arbulo López, 2009; EEA 225, 2013); International Energy Agency (IEA), U.S. Department of Energy – Energy Information Administration (DOE/EIA), Energy European Commission (EEC), Organism for Economic Co-operation and Development (OECD) have taken steps to facilitate and improve developments in this area with directives like Directive 2012/27/EU on energy efficiency (EU) or Executive Order (E.O.) 13514; Federal Leadership in Environmental, Energy, and Economic Performance; October, 2009(DOE/EIA).

The updated technology and cost parameters have possibly contributed to lower electricity consumption. Therefore, EE is rapidly increasing in world energy due to the exhaustion of energy resources and heavy environmental impacts. Substantial opportunities to improve energy efficiency have been expressed by the International Energy Agency (IEA) (DOE/EIA-0383, 2013). The increase of smart cities (Lazaroiu, & Roscia, 2012; Yamagata, & Seya, 2013), smart and green building (Chou, Chua, Ho, & Ooi, 2004; Djevic, & Dimitrijevic, 2009; Singh, & Tiwari, 2010; GhaffarianHoseini, Dahlan, Berardi, GhaffarianHoseini, Makaremi, et al., 2013; Vadiee, & Martin, 2013) this is becoming the beginning of the future building construction trend (GhaffarianHoseini et al., 2013). The advantages of these buildings include a high level of comfort, high power efficiency, and environmental friendliness (Dounis, & Caraiscos, 2009; Day et al., 2013; Martin, Hernandez, & Valmaseda, 2015). Besides, the renewable energy sources utilised as the main power supply of the smart buildings (Omer, 2008; Xia, Zhu, & Lin, 2008; Tsiamitros et al., 2014; Gul & Patidar, 2015) help to reach an environmental friendliness, highlevel comfort and power efficiency in buildings. These requirements used to be reached managing an effective control in the building.

At the present, current research trends in EE are focused on various scopes. In the last decade, there was considerable research concerning optimisation of EE in buildings (Weng, & Agarwal, 2012). Some trends go from building investment decision (Malatji, Zhang, & Xia, 2013) to building design (Pacheco, Ordóñez, & Martínez, 2012), but the main trend is focused on new technologies applied to smart buildings. In Noailly (2012), the impact of environmental innovation technologies to improve EE in general buildings are studied, and (Andrews, & Krogmann, 2009) specifically for commercial buildings. Another trend in EE is based on optimising the energy consumption keeping a high level of wellbeing for the occupants. In Ma, Qin, Salsbury, and Xu (2012), a demand reduction based on an economic slant is proposed. Also, in Marinakis, Doukas, Karakosta, and Psarras (2013) the studies are focused on tertiary sector and in large buildings through a simulation system (Colmenar-Santos, Terán de Lober, Borge-Diez, & Castro-Gil, 2013).

The increasing sophisticated Building Automation System (BAS) (Marinakis, Karakosta, Doukas, Androulaki, & Psarras, 2013) has become the cornerstone of modern intelligent buildings. Integrating energy supply and demand factors, often known as DemandSide Management (DSM) has become an important energy efficiency policy concept (Azadeh, Saberi, Ghaderi, Gitiforouz, & Ebrahimipour, 2008). Much of this potential can be captured through policies for the advancement of the implementation of energy management and control systems (EMCS).

In EMCS (Haberl, Sparks, & Culp, 1996; Altwies, & Nemet, 2013), one of the most complex problems is the optimal energy management according to real-time environmental variables of the building. The EMCS manages the best energy policies for building in real time with the main goal of keeping the high-level comfort with the minimum power consumption in different operating conditions (Kolokotsa, Kalaitzakis, Antonidakis, & Stavrakakis, 2002; Dounis, & Caraiscos, 2009, Pang, Wetter, Bhattacharya, & Haves, 2012). Thus, at present, research groups works try to solve this problem from different points of view and with different techniques (Nguyen, & Aiello, 2013). Some studies go from basic actions to improve the EE in commercial buildings (Escrivá-Escrivá, ۲۰۱۱) to more sophisticated energy management based on a set of rules integrated in a SCADA based on predictive controller through a cost function system (Figueiredo, & Sá da Costa, 2012). In (Diakaki, Grigoroudis, & Kolokotsa, 2008; Diakaki et al., 2010), a multi-objective model based on a decision maker to improve the EE in buildings through multi-criteria decision analysis techniques are applied. Another proposal is considered in Oldewurtel et al. (2012), with a predictive control model joined with a weather forecast that advise how to control HVAC in the smart building. More complex solutions are based on a multi-agent system (MAS). In Doukas, Nychtis, and Psarras (2009), the energy consumption and the environment friendless criteria have optimised through a multi-objective model with the purpose of the investment. In Klein et al. (2012), the model is based on a Markov Decision Model (MDM). And in Yang, and Wan, (2012), an MAS based on building occupant behaviours is employed for an optimisation of energy consumption and maintaining high-level comfort.

Other research trends propose EE solutions through knowledge discovery from the data. A data analysis and classification to predict the energy consumption of the building is proposed in (Li, Bowers, & Schnier, 2010). In (Kim, Stumpf, & Kim, 2011; Capozzoli, Lauro, & Khan, 2015), an interesting analysis of energy efficient building design through DM techniques is provided. Also, in Yu, Haghighat, Fung, and Zhou (2012), the authors proposed discovering the knowledge based on mining associations between building operational data. However, the analysis of energy consumption at the use stage is very important, and it is obvious that the construction characteristics of the buildings strongly affect consumption during the life cycle of the building. Furthermore, the way in which the facilities are used during the use stage is also very important when determining the efficiency of the building (Yu, Haghighat, Fung, Morofsky, & Yoshino, 2011; Domínguez et al., 2013). Within the current research trends in EE, other similar work done on EE anomalies detection in smart buildings using data mining techniques were not found. Most related papers found were (Li et al., 2010; Figueiredo & Sá da Costa, 2012; Oldewurtel et al., 2012; Yu et al., 2012).

Rule-based systems are traditionally useful in energy efficiency, implementing energy management and control systems, even in the new scenarios provided by smart grids (Liu et al., 2010). There are many references about rule-based system which support the energy efficiency optimisation process in different aspects, and some of these references usually are combined with other techniques to improve the accuracy and efficiency of the optimisation. SEMERGY.net (Fenz et al., 2014) proposed a web-based optimisation environment, which supports users in decision-making regarding energy-efficient building designs; this system is based on a rule-based system which uses an ontology of linked building product data.(Wang et al, (2012) proposed a rule-based algorithm for elevator group control, which focuses on design of dispatching rules for energy saving. Brooks and Barooah (2014) studied two control-oriented methods of improving energy efficiency in commercial buildings: rule-based, feedback controller that uses real-time occupancy measurements, and model predictive control (MPC). Multi-Agent Systems (MAS) are a technology related with RBS, because each agent implements a rule-based system. In this sense, Villar et al. (2009) proposed a real application of an MAS for coordinating the electrical heaters of a building in order to consider the comfort level and the energy efficiency in the building. Hurtado et al. (2014) proposed an agent-based control strategy for the operation of buildings, implementing a fuzzy rule based decision making strategy to monitor and control de energy flows in a building. Finally, Ryu et al. (2012) proposed a rule model where rules could be dynamically updated according to user feedback and applied to various situations, in order to maintain the energy efficiency and user comfort level.

The current work described in this paper is immersed in Project KnoholEM, adhered to FP7 (FP7-285229 KnoholEM). The main contents of Project KnoHolEM are based on an intelligent energy management solution relying on three main elements: knowledge modelling techniques and knowledge base, extended validation on various demonstration objects for the enhancement of the knowledge database, as well as on hardware implementation of the energy management system. Some of the most important objectives of the Project KnoHolEM are a functional energy-oriented building model, a specific building behavioural model completed by a building-specific ontology and a data-mining procedures for realtime detailed energy consumption analysis.

The aim of the present paper is to optimise the EE in a smart building, reducing energy consumption, keeping a high degree of comfort, and being environmentally friendly through a Data Mining (DM) approach. This work is focused on detecting EE anomalies in smart buildings. For this purpose, a system of Energy Efficiency Indicators (EEIs) and a Rule-based System is presented. These systems are carried out after a DM process to extract the knowledge hidden in historical building data and EE experts. This knowledge is used in EEIs and a set of “best policies” that help experts to achieve the primary goal. Subsequently, the anomalies detected are corrected through a set of policies that regulate these anomalous behaviours, as shown in Fig. 1. Nowadays the prototype is in test phase, and thanks to the progress made in this field and the results offered, a future goal is to integrate this framework in commercial an EE software called Eugene, owner of ISOTROL Company.

The paper is organised as follows: in Section 2, the smart building description and data sources are presented. The data sources description is divided into three subsections: indoor sensors, outdoor sensors and finally, energy analysers. In Section 3, a data mining-based DSS to increase the energy efficiency at the building is proposed. It is divided into three subsections: the data pre-processing (cleaning, filtering and transformation), the Energy Efficiency Indicators description, and finally, the Rule-based System to detect anomalies in the smart building. In Section 4, the results of the framework obtained from the smart building are presented. Section 5, has concluding remarks and future research lines are proposed.

In the related work, a case of study is proposed. The main goal of this case of study is how to detect EE anomalies in smart building automatically and with high effectiveness. Nowadays, most of the building needs to be analysed by EE experts to on one hand, analyse and understand the EE building behaviour, and on other hand, try to detect EE anomalies. In this case of study a system which is able to analyse the EE behaviours of a building, detect all types of EE inefficiencies and check how of effective is proposed through a DM approach..

 

 

دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی
عنوان فارسی مقاله:

سیستم مبتنی بر قانون برای تشخیص ناهنجاری های بهره وری انرژی در ساختمان های هوشمند، یک رویکرد داده کاوی

عنوان انگلیسی مقاله:

Rule-based system to detect energy efficiency anomalies in smart buildings, a data mining approach

 
 
 
 

 

ارسال دیدگاه

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *