Техніка та енергетика

МЕТОДОЛОГІЯ РОЗРОБЛЕННЯ ІНТЕЛЕКТУАЛЬНОЇ ЕНЕРГОЕФЕКТИВНОЇ СИСТЕМИ КЕРУВАННЯ ТЕМПЕРАТУРНО-ВОЛОГІСТНИМ РЕЖИМОМ В ПРОМИСЛОВІЙ ТЕПЛИЦІ

Інна Юріївна Якименко, Віталій Лисенко, Каміл Віташек
Завантажити статтю
Анотація

Проаналізовані методи покращення якості регулювання технологічних параметрів шляхом поєднання в одній системі автоматизації різноманітних інтелектуальних алгоритмів керування, що сприяє зменшенню енергетичних витрат на 10- 13 %. Встановлено, що для споруд закритого ґрунту системи опалення й вентиляції мають найбільшу енергозатратність (в середньому за добу на обігрів та вентилювання в промисловій теплиці витрачається понад 4000 м3 природного газу та майже 1000 кВт×год електроенергії. Кореляційний аналіз зв’язків між зовнішніми збуреннями та енергетичними витратами, що забезпечують дотримання заданої технології вирощування рослинної продукції, підтвердив гіпотезу щодо наявності умов невизначеності функціонування промислової теплиці формуються випадковими збуреннями, неповною інформацією про біологічну складову; при цьому коефіцієнти лінійної кореляції не перевищують r<0,35. Зазначене створює умови для використання нейронних мереж як для прогнозування енергетичних витрат, так і для формування енергоефективних стратегій керування. На основі використання методів нечіткої логіки та генетичного алгоритму розроблено та досліджено моделі пошуку та використання оптимальних параметрів налаштувань ПІ-регулятора, адаптованих до зміни умов функціонування системи автоматизації. Зазначене забезпечує більш якісне регулювання в умовах невизначеності час регулювання, перерегулювання зменшуються в два-три рази. Для створення енергоефективної системи керування мікрокліматом в промислових теплицях, що функціонує в умовах невизначеності, розроблено нейромережеву модель прогнозування енергетичних витрат природного газу та електроенергії. Вхідними параметрами нейромережевої моделі прогнозування є: значення зовнішньої та внутрішньої температур повітря теплиці, значення відносної вологості повітря, поглинуте теплицею сонячне випромінювання та рівень вуглекислоти в теплиці. Виходами моделі прогнозування є значення витрат природного газу та електроенергії. Удосконалено структурно-функціональну схему системи автоматизації керування температуровологісним режимом в промислових теплицях шляхом поєднання інтелектуальних алгоритмів стабілізації роботи технологічного обладнання на нижньому рівні керування та оптимізації енергетичних витрат, шляхом їх прогнозування на верхньому рівні. Упровадження такої системи дозволяє заощадити природний газ на опалення до 13 % та електричну енергію – до 10 %

Ключові слова

енергоефективність, ресурсоефективність, параметри мікроклімату, споруди закритого ґрунту, промислова теплиця, інтелектуальна система керування

ЦИТУВАТИ
Yakymenko, I., Lysenko, V., & Witaszek, K. (2022). Methodology of development of intellectual energy efficient system of control of temperature-humidity regime in industrial heat. Machinery & Energetics, 13(1), 18-25. https://doi.org/10.31548/machenergy.13(1).2022.18-25
Використані джерела

[1] Achkoski, J., Koceski, S., Bogatinov, D., Temelkovski, B., Stevanovski, G., & Kocev, I. (2017). Remote triage support algorithm based on fuzzy logic. Journal of the Royal Army Medical Corps, 163(3), 164-170. doi: 10.1136/jramc-2015-000616.

[2] Azaza, M., Tanougast, C., Fabrizio, R., & Mami, A. (2016). Smart greenhouse fuzzy logic-based control system enhanced with wireless data monitoring. ISA Trans, 61, 297-307. doi: 10.1016/j.isatra.2015.12.006.

[3] Dudnyk, A., Lysenko, V., Zaets, N., Komarchuk, D., Lendel, T., & Yakymenko, I. (2018). Intelligent control system of biotechnological objects with fuzzy controller and information channel filtration unit. In 2018 International scientific-practical conference on problems of infocommunications science and technology (pp. 586-590). Kharkiv: National University of Radio Electronics.

[4] Dudnyk, A., Hachkovska, M., Zaiets, N., Lendel, T., & Yakymenko, I. (2019). Managing a greenhouse complex using the synergetic approach and neural networks. Eastern-European Journal of Enterprise Technologies, 4(2(100), 72-78. doi: 10.15587/1729-4061.2019.176157.

[5] Huang, N., et al. (2015). On Holo-Hilbert spectral analysis: A full informational spectral representation for nonlinear and non-stationary data. Philosophical Transactions of the Royal Society, 6, 13-26. doi: 10.1098/rsta.2015.0206.

[6] Ladanyuk, A., Kyshenko, V., Shkolna, E., & Sych, M. (2016). Development of the algorithm of determining the state of evaporation station using neural networks. Eastern-European Journal of Enterprise Technologies, 5(2(83), 54-62. doi: 10.15587/1729-4061.2016.79322.

[7] Marquez-Vera, M.A., Ramos-Fernandez, J.C., Cerecero-Natale, L.F., Lafont, F., Balmat, J.F., & Esparza-Villanueva, J.I. (2016). Temperature control in a MISO greenhouse by inverting its fuzzy model. Computers and Electronics in Agriculture, 124, 168-174. doi: 10.1016/j.compag.2016.04.005.

[8] Li, K., Qi, X., Wei, B., Huang, H., Wang, J., & Zhang, J. (2017). Prediction of transformer top oil temperature based on kernel extreme learning machine error prediction and correction. High Voltage Engineering, 43(12), 4045-4053. doi: 10.13336/j.1003-6520.hve.20171127032.

[9] Lendiel, T., Lysenko, V., & Nakonechna, K. (2021). Computer-integrated technologies for fitomonitoring in the greenhouse. In Lecture Notes on Data Engineering and Communications Technologies (pp. 711-729). Cham: Springer. doi: 10.1007/978-3-030-43070-2_30.

[10] Nazarenko, I., Mishchuk, Y., Mishchuk, D., Ruchynskyi, M., Rogovskii, I., Mikhailova, L., Titova, L., Berezovyi, M., & Shatrov, R. (2021). Determiantion of energy characteristics of material destruction in the crushing chamber of the vibration crusher. Eastern-European Journal of Enterprise Technologies, 4(7(112), 41-49. doi: 10.15587/1729-4061.2021.239292.

[11] Korobiichuk, I., Shostachuk, A., Shostachuk, D., Shadura, V., Nowicki, M., & Szewczyk, R. (2016). Development of the operation algorithm for an automated system assessing the high-rise building. Solid State Phenomena, 251, 230-236. doi: 10.4028/www.scientific.net/SSP.251.230.

[12] Rogovskii, I.L., Titova, L.L., Gumenyuk, Yu.O., & Nadtochiy, O.V. (2021). Technological effectiveness of formation of planting furrow by working body of passive type of orchard planting machine. Earth and Environmental Science, 839, article number 052055. doi: 10.1088/1755-1315/839/5/052055.

[13] Yadav, A., Malik, H., & Chandel, S. (2014). Selection of most relevant input parameters using WEKA for artificial neural network based solar radiation prediction models. Renewable and Sustainable Energy Reviews, 31, 509-519.

[14] Zhang, X., Che, L., Shahidehpour, M., Alabdulwahab, A.S., & Abusorrah, A. (2017). Reliability based optimal planning of electricity and natural gas interconnections for multiple energy hubs. IEEE Transactions on Smart Grid, 8(4), 1658-1667. doi: 10.1109/TSG.2015.2498166.

[15] Shah, B., Iqbal, F., Abbas, A., & Kim, K.I. (2015). Fuzzy logic-based guaranteed lifetime protocol for real-time wireless sensor networks. Sensors (Basel), 15(8), 20373-20391. doi: 10.3390/s150820373.

[16] Prokopenko, T., Ladaniuk, A., & Reshetiuk, V. (2017). Mathematical model of operational management technological complex continuous type. Agriculture, 69, 107-112.

[17] Malinin, A. Molnar, K. & Malinina, A. (2021). Parameters of gas-discharge plasma of barrier discharge on mixtures of vapours of diiodide, dibromide and mercury dichloride with helium. Scientific Herald of Uzhhorod University. Series "Physics", 50, 9-14.

[18] Molodetska, T. (2021). Investigation of the stress-strain state of the bending process of coated materials . Scientific Herald of Uzhhorod University. Series "Physics", 50, 15-24.