WIELOKRYTERIALNA OPTYMALIZACJA ZUŻYCIA ENERGII NA CHŁODZENIE W BUDYNKACH WIELKOPOWIERZCHNIOWYCH

Poszukując optymalnego sposobu eksploatacji budynku, występują trudności w znalezieniu rozwiązania charakteryzującego się jak najmniejszym zużyciem energii, przy jednoczesnym zapewnieniu komfortu cieplnego ludziom w nim przebywającym, ponieważ kryteria te są sobie przeciwstawne. Sprowadza się to do rozwiązania problemu optymalizacji wielokryterialnej i wyznaczenia zbioru punktów optymalnych, stanowiących kombinację danych parametrów wejściowych do symulacji. Do takiej sytuacji dochodzi coraz częściej w okresie letnim, gdy temperatura operatywna w budynku na skutek działania wysokich wartości temperatur powietrza zewnętrznego i natężenia promieniowania słonecznego, przekracza dopuszczalne normy. Powszechnie stosowane instalacje chłodzenia w budynkach użyteczności publicznej powinny więc zostać poddane optymalizacji, zarówno na etapie projektowania, jak i eksploatacji, polegającej na doborze parametrów określających ich działanie. W niniejszym artykule pokazano zastosowanie algorytmów genetycznych do powyższego zagadnienia optymalizacji wielokryterialnej dla przypadku sklepu wielkopowierzchniowego, zakładając dostępność do prognozowanych danych pogodowych z wyprzedzeniem 24-godzinnym. Dodatkowo, harmonogramy pracy instalacji chłodzenia zostały dobrane w sposób uwzględniający zarządzanie stroną popytową w sposób minimalizujący pobieranie energii elektrycznej w okresie największego obciążenia sieci elektroenergetycznej. Z obliczeń otrzymano kombinacje parametrów wejściowych, pozwalających na zmniejszanie kosztów eksploatacyjnych przy zastosowaniu zmiennej taryfy energetycznej, jednocześnie zapewniając komfort termiczny przez cały okres pracy budynku i pobierając energię elektryczną w sposób bardziej równomierny w ciągu doby. Dowodzi to zasadności podjętych badań i możliwości zastosowania powyższej procedury w zarządzaniu rzeczywistych obiektów wielkopowierzchniowych przy użyciu skalibrowanych z nimi modeli komputerowych.

Pełny tekst (pdf)

[1] Nguyen A-T, Reiter S., Rigo P.: A review on simulation-based optimization methods applied to building performance analysis, Applied Energy, vol. 113, 2014, pp. 1043-1058.

[2] Afram A., Janabi-Sharifi F.: Theory and applications of HVAC control systems – A review of model predictive control (MPC), Building and Environment, vol. 72, 2014, pp. 343-355.

[3] Avci M., Erkoc M., Rahmani A., Asfour S.: Model predictive HVAC load control in buildings using real-time electricity pricing, Energy and Buildings, vol. 60, 2013, pp. 199-209.

[4] Adika C. O., Wang L.: Smart charging and appliance scheduling approaches to demand side management, Electrical Power and Energy Systems, vol. 57, 2014, pp.232-240.

[5] http://www.pse.pl {dostęp 19.05.2016}.

[6] Deb K., Pratap A., Agarwal S., Meyarivan T.: A Fast and Elitist Multiobjective Genetic Algorithm: NSGA-II., IEEE Transactions on Evolutionary Computation, vol. 6, no. 2, 2002.

[7] Zitzler E.: Evolutionary Algorithms for Multiobjective Optimization: Methods and Applications, Swiss Federal Institute of Technology Zurich, Zurich, 1999.

[8] ANSI/ASHRAE Standard 55-2013: Thermal environmental conditions for human occupancy, Atlanta: American Society of Heating, Ventilation and Air-conditioning Engineers Inc., 2013.

[9] http://www.mib.gov.pl {dostęp 19.05.2016}.

[10] http://www.energa.pl {dostęp 19.05.2016}.