Βελτίωση μετεωρολογικών προγνώσεων με χρήση τεχνητών νευρωνικών δικτύων για τη βελτιστοποίηση συστήματος ενεργειακής διαχείρισης κτιρίων
Σημαντική παράμετρος στο σχεδιασμό των σύγχρονων κτιρίων αποτελεί η ορθολογικότερη διαχείριση της ενέργειας. Η ορθολογικότερη διαχείριση ενέργειας επιτυγχάνεται με το σχεδιασμό κατάλληλων ενεργειακών συστημάτων. Για την αποτελεσματική σχεδίαση αυτών των συστημάτων λαμβάνονται υπόψιν τα μετεωρολογικά...
| Κύριος συγγραφέας: | |
|---|---|
| Άλλοι συγγραφείς: | |
| Μορφή: | Thesis |
| Γλώσσα: | Greek |
| Έκδοση: |
2014
|
| Θέματα: | |
| Διαθέσιμο Online: | http://hdl.handle.net/10889/6591 |
| id |
nemertes-10889-6591 |
|---|---|
| record_format |
dspace |
| spelling |
nemertes-10889-65912022-09-05T20:34:23Z Βελτίωση μετεωρολογικών προγνώσεων με χρήση τεχνητών νευρωνικών δικτύων για τη βελτιστοποίηση συστήματος ενεργειακής διαχείρισης κτιρίων Θραμπουλίδης, Εμμανουήλ Αργυρίου, Αθανάσιος Μουστακίδης, Γεώργιος Thrampoulidis, Emmanouil Μετεωρολογικές προγνώσεις Τεχνητά νευρωνικά δίκτυα Συστήματα ενεργειακής διαχείρισης κτιρίων Φυσικός αερισμός Weather prediction Artificial neural networks Energy management of buildings Natural ventilation 551.630 285 63 Σημαντική παράμετρος στο σχεδιασμό των σύγχρονων κτιρίων αποτελεί η ορθολογικότερη διαχείριση της ενέργειας. Η ορθολογικότερη διαχείριση ενέργειας επιτυγχάνεται με το σχεδιασμό κατάλληλων ενεργειακών συστημάτων. Για την αποτελεσματική σχεδίαση αυτών των συστημάτων λαμβάνονται υπόψιν τα μετεωρολογικά δεδομένα, όχι μόνο τα τρέχοντα αλλά και τα προγνωστικά. Τα αριθμητικά πρότυπα πρόγνωσης καιρού παρέχουν εκτιμήσεις των διαφόρων μετεωρολογικών παραμέτρων σε δεδομένα σημεία του χώρου κοντά στην επιφάνεια του εδάφους αλλά και σε διάφορα ύψη. Οι εκτιμήσεις αυτές αποκλίνουν αρκετά από τα πραγματικά δεδομένα γεγονός που παρέχει ένα σημαντικό περιθώριο βελτίωσης της πρόγνωσης. Στην εργασία αυτή προτείνεται μία μέθοδος βελτίωσης της πρόγνωσης μετεωρολογικών δεδομένων με στόχο την αξιοποίηση τους για βελτιστοποίηση της ενεργειακής κατανάλωσης κτιρίου. Η μέθοδος αναπτύχθηκε χρησιμοποιώντας μετρήσεις της ταχύτητας του ανέμου από το μετεωρολογικό σταθμό του Εργαστηρίου Φυσικής της Ατμόσφαιρας του Τμήματος Φυσικής του Πανεπιστημίου Πατρών (ΕΦΑΠ2), καθώς και προγνώσεις του ΕΦΑΠ2 μέσω του αριθμητικού προτύπου πρόγνωσης καιρού WRF (Weather Research and Forecasting model) στο πλησιέστερο δυνατό πλεγματικό σημείο. . Η μέθοδος που προτείνεται, αξιοποιεί τα τεχνητά νευρωνικά δίκτυα και όντας ανεξάρτητη της φύσης της εισόδου μπορεί να χρησιμοποιηθεί για τη βελτίωση της πρόγνωσης μετεωρολογικών παραμέτρων. Επιπλέον, μελετήθηκε η συνεισφορά της μεθόδου στον ακριβέστερο υπολογισμό της ροής αέρα, η οποία υπολογίζεται για ένα πειραματικό θάλαμο δοκιμών, ο οποίος έχει υιοθετηθεί από την Ευρωπαϊκή επιτροπή για την εναρμονισμένη μελέτη ενεργειακών συστημάτων κτιρίων υπό πραγματικές συνθήκες. An important consideration in the design of modern buildings is the rational use of energy. The rational energy management is achieved by designing appropriate energy systems. For efficient design of these systems we should take into account the meteorological data, not only current but also predictive.Numerical weather prediction models provide estimates of various meteorological parameters to data points of space near the surface and at various heights. These estimates differ considerably from the actual data which provides a significant margin improvement of prognosis. In this work we propose a method of improving the prediction of meteorological data to exploit them to optimize energy consumption in building management systems. The method was developed using measurements of wind speed, from the meteorological station of the Laboratory of Atmospheric Physics of the Department of Physics of the University of Patras (LAPUP), and prognostications LAPUP through numerical weather prediction model WRF (Weather Research and Forecasting model) to the closest possible lattice point. The proposed method utilizes the artificial neural networks and being independent of the nature of the inputs it can be used to improve forecasting meteorological parameters. Furthermore, we studied the contribution of the method to accurately calculate the air flow of an experimental test chamber, which has been adopted by the European Committee for the study of building management systems under real conditions. 2014-01-27T13:27:06Z 2014-01-27T13:27:06Z 2013-07-02 2014-01-27 Thesis http://hdl.handle.net/10889/6591 gr 0 application/pdf |
| institution |
UPatras |
| collection |
Nemertes |
| language |
Greek |
| topic |
Μετεωρολογικές προγνώσεις Τεχνητά νευρωνικά δίκτυα Συστήματα ενεργειακής διαχείρισης κτιρίων Φυσικός αερισμός Weather prediction Artificial neural networks Energy management of buildings Natural ventilation 551.630 285 63 |
| spellingShingle |
Μετεωρολογικές προγνώσεις Τεχνητά νευρωνικά δίκτυα Συστήματα ενεργειακής διαχείρισης κτιρίων Φυσικός αερισμός Weather prediction Artificial neural networks Energy management of buildings Natural ventilation 551.630 285 63 Θραμπουλίδης, Εμμανουήλ Βελτίωση μετεωρολογικών προγνώσεων με χρήση τεχνητών νευρωνικών δικτύων για τη βελτιστοποίηση συστήματος ενεργειακής διαχείρισης κτιρίων |
| description |
Σημαντική παράμετρος στο σχεδιασμό των σύγχρονων κτιρίων αποτελεί η ορθολογικότερη διαχείριση της ενέργειας. Η ορθολογικότερη διαχείριση ενέργειας επιτυγχάνεται με το σχεδιασμό κατάλληλων ενεργειακών συστημάτων. Για την αποτελεσματική σχεδίαση αυτών των συστημάτων λαμβάνονται υπόψιν τα μετεωρολογικά δεδομένα, όχι μόνο τα τρέχοντα αλλά και τα προγνωστικά. Τα αριθμητικά πρότυπα πρόγνωσης καιρού παρέχουν εκτιμήσεις των διαφόρων μετεωρολογικών παραμέτρων σε δεδομένα σημεία του χώρου κοντά στην επιφάνεια του εδάφους αλλά και σε διάφορα ύψη. Οι εκτιμήσεις αυτές αποκλίνουν αρκετά από τα πραγματικά δεδομένα γεγονός που παρέχει ένα σημαντικό περιθώριο βελτίωσης της πρόγνωσης. Στην εργασία αυτή προτείνεται μία μέθοδος βελτίωσης της πρόγνωσης μετεωρολογικών δεδομένων με στόχο την αξιοποίηση τους για βελτιστοποίηση της ενεργειακής κατανάλωσης κτιρίου. Η μέθοδος αναπτύχθηκε χρησιμοποιώντας μετρήσεις της ταχύτητας του ανέμου από το μετεωρολογικό σταθμό του Εργαστηρίου Φυσικής της Ατμόσφαιρας του Τμήματος Φυσικής του Πανεπιστημίου Πατρών (ΕΦΑΠ2), καθώς και προγνώσεις του ΕΦΑΠ2 μέσω του αριθμητικού προτύπου πρόγνωσης καιρού WRF (Weather Research and Forecasting model) στο πλησιέστερο δυνατό πλεγματικό σημείο. . Η μέθοδος που προτείνεται, αξιοποιεί τα τεχνητά νευρωνικά δίκτυα και όντας ανεξάρτητη της φύσης της εισόδου μπορεί να χρησιμοποιηθεί για τη βελτίωση της πρόγνωσης μετεωρολογικών παραμέτρων. Επιπλέον, μελετήθηκε η συνεισφορά της μεθόδου στον ακριβέστερο υπολογισμό της ροής αέρα, η οποία υπολογίζεται για ένα πειραματικό θάλαμο δοκιμών, ο οποίος έχει υιοθετηθεί από την Ευρωπαϊκή επιτροπή για την εναρμονισμένη μελέτη ενεργειακών συστημάτων κτιρίων υπό πραγματικές συνθήκες. |
| author2 |
Αργυρίου, Αθανάσιος |
| author_facet |
Αργυρίου, Αθανάσιος Θραμπουλίδης, Εμμανουήλ |
| format |
Thesis |
| author |
Θραμπουλίδης, Εμμανουήλ |
| author_sort |
Θραμπουλίδης, Εμμανουήλ |
| title |
Βελτίωση μετεωρολογικών προγνώσεων με χρήση τεχνητών νευρωνικών δικτύων για τη βελτιστοποίηση συστήματος ενεργειακής διαχείρισης κτιρίων |
| title_short |
Βελτίωση μετεωρολογικών προγνώσεων με χρήση τεχνητών νευρωνικών δικτύων για τη βελτιστοποίηση συστήματος ενεργειακής διαχείρισης κτιρίων |
| title_full |
Βελτίωση μετεωρολογικών προγνώσεων με χρήση τεχνητών νευρωνικών δικτύων για τη βελτιστοποίηση συστήματος ενεργειακής διαχείρισης κτιρίων |
| title_fullStr |
Βελτίωση μετεωρολογικών προγνώσεων με χρήση τεχνητών νευρωνικών δικτύων για τη βελτιστοποίηση συστήματος ενεργειακής διαχείρισης κτιρίων |
| title_full_unstemmed |
Βελτίωση μετεωρολογικών προγνώσεων με χρήση τεχνητών νευρωνικών δικτύων για τη βελτιστοποίηση συστήματος ενεργειακής διαχείρισης κτιρίων |
| title_sort |
βελτίωση μετεωρολογικών προγνώσεων με χρήση τεχνητών νευρωνικών δικτύων για τη βελτιστοποίηση συστήματος ενεργειακής διαχείρισης κτιρίων |
| publishDate |
2014 |
| url |
http://hdl.handle.net/10889/6591 |
| work_keys_str_mv |
AT thrampoulidēsemmanouēl beltiōsēmeteōrologikōnprognōseōnmechrēsētechnētōnneurōnikōndiktyōngiatēbeltistopoiēsēsystēmatosenergeiakēsdiacheirisēsktiriōn |
| _version_ |
1771297322662100992 |
