Автоматизована система керування мікрокліматом в приміщенні громадського харчування з використанням методів машинного навчання

Abstract

У дисертаційній роботі вирішується задача підвищення якості автоматизованого керування мікрокліматом та енергоефективності у закладах громадського харчування шляхом впровадження модельно-прогнозного керування на основі нейромережевих моделей стану. Проведено системний аналіз будівлі закладу громадського харчування як об’єкта керування, проаналізовано особливості теплових процесів, пов’язаних із динамічною завантаженістю, роботою кухонного обладнання. На цій основі сформульовано вимоги до системи HVAC та сформовано постановку задачі багатокритеріального керування з урахуванням теплового комфорту, витрат енергії. Розроблено повний цикл побудови моделі об’єкта закладу громадського харчування, який включає в себе збір, очищення та структуризацію експериментальних даних з існуючого об’єкту, формування вибірок у форматі простору станів, дослідження й порівняння кількох класів нейромережевих моделей, таких як MLP, RNN, LSTM,GRU, NARX для задачі прогнозування динаміки мікроклімату. Використовуючи байєсівську оптимізацію, вдалося створити компактну та точну модель, яка підходить для роботи з модельно-прогнозним керуванням у реальному часі. Сформовано багатокритеріальну функцію вартості, яка поєднує в собі як комфорт, так і енергоспоживання, та розроблено алгоритм модельно-прогнозного керування з використанням GPU-прискорення, який забезпечує розв’язання задачі оптимізації на ковзному горизонті в межах періоду дискретизації. Розроблено програмну архітектуру для системи управління, яке включає польовий рівень (ПЛК HVAC, давачі, виконавчі механізми), сервер МПК з використанням Python/TensorFlow, базу даних MongoDB для архівування технологічної інформації та веб-інтерфейс моніторингу й аналізу роботи системи. Реалізовано механізм онлайн-донавчання нейромережевої моделі за даними експлуатації з контролем якості на тестовій вибірці та оновленням робочої моделі. Проведено експерименти на реальному об’єкті з порівнянням режиму модельно-прогнозного керування та базового PID-керування. Показано, що запропонований підхід дозволяє суттєво зменшити час перебування температури поза комфортним діапазоном в бік більш раціонального використання холодо та теплопостачання при незначній зміні сумарних витрат електроенергії. Одержані результати можуть бути використані під час розробки нових систем автоматизованого керування мікрокліматом у будівлях громадського харчування та інших приміщень, при модернізації існуючих систем, а також в інших сферах автоматизованого керування.The dissertation solves the problem of improving the quality of automated microclimate control and energy efficiency in public catering establishments by implementing model-predictive control based on neural network state models. A systematic analysis of the building of a public catering establishment as a control object was carried out, the features of thermal processes associated with dynamic loading and the operation of kitchen equipment were analyzed. On this basis, the requirements for the HVAC system were formulated and the statement of the multi-criteria control problem was formed, taking into account thermal comfortand energy consumption. A full cycle of building a model of a public catering establishment object was developed, which includes collecting, cleaning and structuring experimental data from an existing object, forming samples in the state space format, researching and comparing several classes of neural network models, such as MLP, RNN, LSTM, GRU, NARX for the problem of predicting microclimate dynamics. Using Bayesian optimization, it was possible to create a compact and accurate model suitable for working with model-predictive control in real time. A multi-criteria cost function was formed, which combines both comfort and energy consumption, and a model-predictive control algorithm using GPU acceleration was developed, which provides a solution to the optimization problem on a sliding horizon within the sampling period. A software architecture for the control system was developed, which includes a field level (HVAC PLC, sensors, actuators), an MPC server using Python/TensorFlow, a MongoDB database for archiving technological information, and a web interface for monitoring and analyzing system operation. An online retraining mechanism for a neural network model based on operational data with quality control on a test sample and updating of the working model was implemented. Experiments were conducted on a real object with a comparison of the model-predictive control mode and basic PID control. It is shown that the proposed approach allows to significantly reduce the time the temperature stays outside the comfort range towards a more rational use of cooling and heating with a slight change in total electricity consumption. The results obtained can be used in the development of new automated microclimate control systems in public catering buildings and other premises, on the modernization of existing systems, as well as in other areas of automated control.