Имитационное моделирование функционального двойника системы управления микроклиматом интеллектуального здания

Обложка

Цитировать

Полный текст

Аннотация

Представленная работа посвящена разработке интеллектуальной системы управления микроклиматом зданий (система класса HVAC). Исследование направлено на решение проблемы недостаточной адаптивности традиционных подходов (PID-регуляторы, системы, основанные на знаниях) в условиях динамически изменяющихся параметров внутренней среды здания. Основное внимание уделено созданию гибридного метода, сочетающего преимущества функционального программирования и искусственного интеллекта. В работе рассматриваются вопросы энергоэффективности, точности поддержания комфортных условий для посетителей интеллектуального здания и устойчивости HVAC-системы к внешним возмущениям. Особое значение имеет задача минимизации эксплуатационных расходов при одновременном обеспечении безопасности и надёжности работы оборудования. Представленное исследование охватывает все этапы разработки программного средства — от проектирования его архитектуры до практической апробации. В основе исследования лежит подход функционального двойника, реализованного на языке Haskell. Использованы LSTM-сети для прогнозирования, генетические алгоритмы для оптимизации и RETE-алгоритм для обработки правил. Верификация проведена методом имитационного моделирования с генерацией 1440 точек данных. Научная новизна представленной работы заключается в применении теоретико-категориального подхода к моделированию функционального двойника, в котором каждое устройство (как сенсоры, так и исполнительные устройства) представлено как композиция чистых функций. Результаты показывают снижение энергопотребления на 14.7%, увеличение времени работы в комфортном диапазоне до 94.7% и трёхкратное сокращение числа переключения режимов функционирования HVAC-системы. Практическая значимость подтверждена снижением эксплуатационных расходов на 15% и повышением киберустойчивости за счёт использования иммутабельных структур данных. Выводы свидетельствуют о том, что сочетание функционального программирования с гибридным подходом в искусственном интеллекте обеспечивает баланс ключевых параметров системы. Предложенная архитектура может служить эталоном для интеграции IoT и киберфизических систем в рамках Индустрии 4.0.

Об авторах

Роман Викторович Душкин

Национальный исследовательский ядерный университет МИФИ; ООО «А-Я эксперт»

Email: roman.dushkin@gmail.com
ORCID iD: 0000-0003-4789-0736
старший преподаватель; кафедра Кибернетики;Генеральный директор;

Валентин Вячеславович Климов

Национальный исследовательский ядерный университет МИФИ

Email: vvklimov@mephi.ru
ORCID iD: 0000-0002-0131-6539
доцент; Институт Интеллектуальных Кибернетических Систем;

Список литературы

  1. Комаров Н.М., Жаров В.Г. Концепция переустройства управления энергоэффективностью интеллектуального здания // Сервис в России и за рубежом. 2013. № 7. С. 36-47. EDN: RAMRRV.
  2. Сунгатуллин Р.Г. Энергетическая эффективность умных городов: экономические аспекты внедрения новых технологий // Экономика и управление: проблемы, решения. 2025. Т. 2. № 3. С. 97-105. doi: 10.36871/ek.up.p.r.2025.03.02.012. EDN: HQVOQH.
  3. Душкин Р.В. Функциональное программирование на языке Haskell. М.: ДМК-Пресс, 2007. 608 с.
  4. Душкин Р.В., Мохов А.И. Модель распределённых вычислений для организации программной среды, обеспечивающей управление автоматизированными системами интеллектуальных зданий // Компьютерные исследования и моделирование. 2021. Т. 13. № 3. С. 557-570. doi: 10.20537/2076-7633-2021-13-3-557-570. EDN: GHZEVY.
  5. Липовача М. Изучай Haskell во имя добра! / пер. с англ. Д. Леушина, А. Синицына, Я. Арсанукаева. М.: ДМК Пресс, 2014. 490 с.
  6. Mao Z., Wu L., Song L., Huang D. Data Preprocessing and Kalman Filter Performance Improvement Method in Integrated Navigation Algorithm // Chinese Control Conference (CCC). Guangzhou, China, 2019. P. 3416-3422. doi: 10.23919/ChiCC.2019.8865567.
  7. Nusrat I., Jang S.-B. A Comparison of Regularization Techniques in Deep Neural Networks // Symmetry. 2018. Vol. 10. No. 11. P. 648. doi: 10.3390/sym10110648.
  8. Xu Y., Wang R., Goswami N., Li T., Gao L., Qian D. Software Transactional Memory for GPU Architectures // Proceedings of Annual IEEE/ACM International Symposium on Code Generation and Optimization (CGO '14). New York: ACM, 2014. P. 1-10. doi: 10.1145/2581122.2544139.
  9. Bouktif S., Fiaz A., Ouni A., Serhani M.A. Optimal Deep Learning LSTM Model for Electric Load Forecasting using Feature Selection and Genetic Algorithm: Comparison with Machine Learning Approaches // Energies. 2018. Vol. 11. No. 7. P. 1636. doi: 10.3390/en11071636.
  10. Karimi A., Mohajerani M., Alinasab N., Akhlaghinezhad F. Integrating Machine Learning and Genetic Algorithms to Optimize Building Energy and Thermal Efficiency Under Historical and Future Climate Scenarios // Sustainability. 2024. Vol. 16. No. 21. P. 9324. doi: 10.3390/su16219324. EDN: PDGTHC.
  11. Do S.W.S., Dubois M. Transaction-Based Core Reliability // 2020 IEEE International Parallel and Distributed Processing Symposium (IPDPS). New Orleans, 2020. P. 168-179. doi: 10.1109/IPDPS47924.2020.00027.
  12. Qi J., Kim Y., Chen C., Lu X., Wang J. Demand Response and Smart Buildings: A Survey of Control, Communication, and Cyber-Physical Security // ACM Trans. Cyber-Phys. Syst. 2017. Vol. 1. No. 4. Article 18. 25 p. doi: 10.1145/3009972.
  13. Alghamdi S.M., Ajour M.N., Abu-Hamdeh N.H., Karimipour A. Introducing a new PID controller to control the addition of PCM to the building with ventilation heat recovery installation to reduce the energy demand of the cooling system // Journal of Building Engineering. 2022. Vol. 56. 104766. doi: 10.1016/j.jobe.2022.104766. EDN: YPRUFR.
  14. Xue Y., Jiang J., Hong L. A LSTM based prediction model for nonlinear dynamical systems with chaotic itinerancy // Int. J. Dynam. Control. 2020. Vol. 8. P. 1117-1128. doi: 10.1007/s40435-020-00673-4. EDN: CCFIWE.
  15. Afram A., Janabi-Sharifi F. Effects of dead-band and set-point settings of on/off controllers on the energy consumption and equipment switching frequency of a residential HVAC system // Journal of Process Control. 2016. Vol. 47. P. 161-174. doi: 10.1016/j.jprocont.2016.09.009.
  16. Sagan J., Sobotka A. Analysis of Factors Affecting the Circularity of Building Materials // Materials. 2021. Vol. 14. No. 23. P. 7296. doi: 10.3390/ma14237296. EDN: UYSVLB.
  17. Мохов А.B., Душкин Р.В. Функциональный подход к интеллектуализации объектов на основе комплексотехники // E-Management. 2020. Т. 3. № 4. С. 13-25. doi: 10.26425/2658-3445-2020-3-4-13-25. EDN: AKDRKN.
  18. Valliappan N., Krook R., Russo A., Claessen K. Towards secure IoT programming in Haskell // Proceedings of the 13th ACM SIGPLAN International Symposium on Haskell (Haskell 2020). New York: ACM, 2020. P. 136-150. doi: 10.1145/3406088.3409027.
  19. Park D., Kim S., An Y., Jung J.-Y. LiReD: A Light-Weight Real-Time Fault Detection System for Edge Computing Using LSTM Recurrent Neural Networks // Sensors. 2018. Vol. 18. No. 7. P. 2110. doi: 10.3390/s18072110.
  20. Raiaan M.A.K., Mukta S.H., Fatema K., Fahad N.M., Sakib S., Mimet M.M.J. A Review on Large Language Models: Architectures, Applications, Taxonomies, Open Issues and Challenges // IEEE Access. 2024. Vol. 12. P. 26839-26874. doi: 10.1109/ACCESS.2024.3365742. EDN: LTUDIM.
  21. Bilotta G., Genovese E., Citroni R., Cotroneo F., Meduri G.M., Barrile V. Integration of an Innovative Atmospheric Forecasting Simulator and Remote Sensing Data into a Geographical Information System in the Frame of Agriculture 4.0 Concept // AgriEngineering. 2023. Vol. 5. No. 3. P. 1280-1301. doi: 10.3390/agriengineering5030081. EDN: ETBJWA.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать

Согласие на обработку персональных данных

 

Используя сайт https://journals.rcsi.science, я (далее – «Пользователь» или «Субъект персональных данных») даю согласие на обработку персональных данных на этом сайте (текст Согласия) и на обработку персональных данных с помощью сервиса «Яндекс.Метрика» (текст Согласия).