دانلود ترجمه مقاله ملزومات جریان اطلاعات برای ادغام ساختمان های هوشمند و یک شبکه هوشمند

1. پیش زمینه و انگیزش 2. ارائه یک رویکرد کنترل پیش بینانه مدل برای ساختمان های هوشمند ادغام شده در یک شبکه هوشمند 3. چالش ها و توصیه هایی برای ادغام تأسیسات ساختمانی در یک شبکه هوشمند 4. مطالعه موردی مربوط به یک کمپ دانشگاهی 5. ارائه ملزومات

چکیده –یک جامعه پایدار و و با انرژی کارآمد نیازمند استفاده از هوش در تمام سطوح مربوط به تولید انرژی و سیستم های مصرف کننده می باشد. هوشمندی یک شبکه هوشمند در صورتی تلف می شود که مکان های عمده مصرف از ساختمان های مسکونی تا مجتمع های بزرگ ساختمانی (مانند دانشگاه ها یا شهرها) سطح قابل قبولی از هوشمندی را ندارند. کنترل پیش بینانه مدل (MPC) ابزاری کارآمد برای ادغام شبکه هوشمند با ساختمان های هوشمند آینده می باشد. توجه به نیازهای پژوهشی در رابطه با کاربرد MPC در عملکرد سیستم های هوشمند روز به روز در حال افزایش است با این حال مفاهیم MPC بزرگ مقیاس هنوز به لحاظ تجاری در سیستم های مدیریت انرژی ساختمان به طور کامل در دسترس قرار نگرفته است. بسیاری از پژوهش های منتشر شده از تشریح ساده ساختمان و عملکرد سیستم به منظور کاهش پیچیدگی محاسباتی استفاده می کنند. ما در این مقاله دیدگاهی برای شارش داده و توسعه مدل سازی تشریح کرده ایم که یک سیستم کنترلی سطح بالا برای آن مورد نیاز می باشد. این موضوع به ساختمان های هوشمند یا ساختمان های متصل این امکان را می دهد تا به طور کارآمد استراتژی عملیاتی کلی را برای افق های زمانی 24 تا 48 ساعته ادغام کنند تا هزینه و مصرف انرژی را به حداقل رسانده، و امکان یکپارچه سازی منابع انرژی تجدید پذیر منطقه ای را فراهم کنند، و در این زمینه فاکتورهای انسانی مانند کیفیت محیط داخلی ساختمان را در نظر بگیرند (کیفیت حرارتی داخلی ساختمان، و غیره). این سیستم تبادل داده ای را ایده آل سازی کرده و شبکه کنترل سیستمی، داده ها را روی پارامترهایی نظیر هزینه زمان واقعی برق، تولید انرژی تجدیدپذیر، بارهای گرمایشی و سرمایشی ساختمان، و اختلالات سیستم فعلی پیش بینی می کنند (مواردی نظیر تعمیرات و نگهداری تجهیزات). نظارت بر سیستم بازخوردهایی برای مشخصه های پیشرفته ای چون یادگیری تطبیقی و تشخیص خطای خودکار فراهم می کند. علاوه بر سیستم ایده آل سازی شده که کاملاً می توان تشریح کرد، ما یک سری از موضوعات دخیل در پیاده سازی این مفاهمی در سیستم های ساختمانی موجود و قدیمی را بررسی کرده ایم.

A truly energy efficient and sustainable society requires intelligence embedded at all levels within energy production and consumption systems. The ‘smartness’ of a smart grid is wasted if major consumption locations, ranging from individual buildings to larger collection of buildings (such as campuses or cities) don't have a comparable level of intelligence. Model predictive control (MPC) is an effective tool for integrating the smart grid with future smart buildings. Interest is growing about the need to research the application of MPC to the operation of building systems; however, full-scale MPC concepts have not made it yet into commercially available building energy management systems. Much of the prior published work uses a simplified description of building and systems performance in order to reduce computational complexity. We describe in this paper a vision for data flow and modeling developments that a future, high level control system will need. This would allow a smart building or connected campus of buildings to effectively integrate an overall operational strategy for a future time horizon of 24-48 hours to minimize the energy consumption and cost, enable integration of regional renewable energy sources, and, importantly, consider human factors such as building indoor environmental quality (thermal comfort indoor air quality, etc.). This idealized data exchange and systems control network would obtain or predict data on parameters such as the real-time cost of electricity, renewable energy production, building cooling and heating loads, and current system disruptions (such as equipment maintenance). System monitoring would provide feedback for advanced features such as adaptive learning and automated fault detection and diagnostics. In addition to the idealized future system that is fully capable as described, we discuss some of the issues involved with trying to implement these concepts in older, existing building systems.