پیش بینی سرعت فن برای صرفه جویی در انرژی در سیستم HVAC بر اساس سیستم استنتاج فازی مبتنی بر شبکه تطبیقی

قیمت: 38,000 تومان

دانلود رایگان مقاله

خرید ترجمه مقاله

عنوان فارسی

پیش بینی سرعت فن برای صرفه جویی در انرژی در سیستم HVAC بر اساس سیستم استنتاج فازی مبتنی بر شبکه تطبیقی

عنوان لاتین

Predicting of fan speed for energy saving in HVAC system based on adaptive network based fuzzy inference system

در این مقاله یک سیستم HVAC (گرمایش، تهویه و تهویه مطبوع) دارای دو منطقه متفاوت طراحی شد و سرعت موتور فن برای به حداقل رساندن مصرف انرژی سیستم تهویه مطبوع توسط کنترلر PIDکنترل گردید (متناسب با انتگرال مشتق). دمای مطلوب با سرعت - جریان متغیر با در نظر گرفتن دمای محیط برای هر منطقه محقق شد. الگوریتم کنترل بود برای یک کنترلر منطق قابل برنامه ریزی (PLC) تبدیل شد. سیستم محقق شده توسط PLC الگوریتم کنترل PID مورد استفاده، کنترل شد. داده های خروجی ورودی / خروجی سیستم HVAC ابتدا ذخیره شدند و سپس این مجموعه داده ها برای پیش بینی سرعت موتور فن بر اساس سیستم استنتاج فازی بر مبنای شبکه تطبیقی (ANFIS) استفاده شدند. در شبیه سازی، مربعات میانگین ریشه (RMS) و ضریب تعیین چندگانه (R2) به عنوان دو معیار عملکرد برای مقایسه مقادیر پیش بینی شده و واقعی برای اعتبار سنجی مدل در نظر گرفته شدند. تمام شبیه سازی ها نشان داده اند که روش پیشنهاد شده موثرتر است و سیستم کاملا خوبی را کنترل می کند.

In this paper, a HVAC (heating, ventilating and air-conditioning) system has two different zones was designed and fan motor speed to minimize energy consumption of the HVAC system was controlled by a conventional (proportional–integral-derivative) PID controller. The desired temperatures were realized by variable flow-rate by considering the ambient temperature for each zone. The control algorithm was transformed for a programmable logic controller (PLC). The realized system has been controlled by PLC used PID control algorithm. The input–output data set of the HVAC system were first stored and than these data sets were used to predict the fan motor speed based on adaptive network based fuzzy inference system (ANFIS). In simulations, root-mean-square (RMS) and the coefficient of multiple determinations (R2) as two performance measures were obtained to compare the predicted and actual values for model validation. All simulations have shown that the proposed method is more effective and controls the systems quite well.