Machine Translated by Google

Jurnal Teknik Bangunan 33 (2021) 101692

Daftar konten tersedia di ScienceDirect

Jurnal Teknik Bangunan

beranda jurnal: http://www.elsevier.com/locate/jobe

Tinjauan strategi untuk membangun sistem manajemen energi: Kontrol

prediktif model, manajemen sisi permintaan, optimalisasi, dan deteksi &
diagnosis kesalahan
, L. Hernÿ andez-Callejo B,* , A.Zorita-Lamadrid
ÿ

a,b C
D. Mariano-Hernandez F. Santos García , O.Duque-Perez C,
d,e
ÿ
A
Area Teknik, Institut Teknologi Santo Domingo, 10602, Santo Domingo, Republik Dominika
B
Departemen Teknik Pertanian dan Kehutanan, Universitas Valladolid, Kampus Universitas Duques de Soria, 42004, Soria, Spanyol
C
Jurusan Teknik Elektro, Universitas Valladolid, 47002, Valladolid, Spanyol d
ÿ
ÿ

Daerah Ilmu Dasar, Institut Teknologi Santo Domingo, 10602, Santo Domingo, Pusat Studi Energi dan Teknologi
Dia

Lingkungan Republik Dominika (CEETA), 54830, Universitas Pusat "Martha Abreu" de las Villas. Santa Clara, Kuba

INFORMASI ARTIKEL ABSTRAK

Kata kunci: Penggunaan energi bangunan diperkirakan akan tumbuh lebih dari 40% dalam 20 tahun ke depan. Listrik tetap menjadi
Membangun sistem manajemen energi sumber energi terbesar yang dikonsumsi oleh gedung-gedung, dan permintaan itu terus meningkat. Untuk memitigasi
Membangun strategi manajemen dampak permintaan yang terus meningkat, diperlukan strategi untuk meningkatkan efisiensi energi bangunan. Pada
Efisiensi energi
bangunan tempat tinggal, peralatan rumah tangga, air, dan pemanas ruangan bertanggung jawab atas peningkatan
Penghematan energi
penggunaan energi, sementara pemanas ruangan dan peralatan lainnya berada di balik peningkatan penggunaan energi
Sistem manajemen energi
Bangunan pintar pada bangunan non-perumahan. Membangun sistem manajemen energi mendukung pengelola gedung dan pemilik untuk
meningkatkan efisiensi energi pada bangunan modern dan yang sudah ada, bangunan non-perumahan dan perumahan
dapat memanfaatkan sistem manajemen energi gedung untuk mengurangi penggunaan energi. Berdasarkan jenis
bangunan, strategi manajemen yang berbeda dapat digunakan untuk mencapai penghematan energi. Makalah ini
menyajikan tinjauan strategi manajemen untuk membangun sistem manajemen energi untuk meningkatkan efisiensi energi.
Strategi manajemen yang berbeda diselidiki di bangunan non-perumahan dan perumahan. Setelah itu, ulasan penelitian
dibahas dalam hal jenis bangunan, sistem bangunan, dan strategi manajemen. Terakhir, makalah ini membahas tantangan
masa depan untuk peningkatan efisiensi energi dalam membangun sistem manajemen energi.

sangat menguji karena mereka biasanya harus memenuhi persyaratan kerja

1. Perkenalan
Bangunan seperti perumahan, pendidikan, kantor, kesehatan, dan industri
muncul sebagai konsumen kritis dalam konsumsi energi.
Konsumsi energi untuk bangunan mewakili 30–45% penggunaan energi global
[1–3], dengan sebagian besar energi digunakan oleh subsistem bangunan, yang
terdiri dari sistem pendingin dan pemanas; keselamatan, air, penerangan, dan
subsistem gabungan serupa. Dalam konteks ini, upaya saat ini difokuskan pada
pemenuhan persyaratan hemat energi pada bangunan gedung, dengan
menjamin kebutuhan operasi dengan biaya energi dasar yang dapat dibayangkan
dan ramah lingkungan [4]. Di banyak negara berkembang dan maju, efisiensi
energi dipandang sebagai mekanisme terbaik untuk mengatasi dan mengalahkan
kebutuhan energi yang terus meningkat [5]. Bagaimanapun, memajukan efisiensi
energi dari subsistem ini adalah
yang kompleks, kebutuhan energi dinamis, dan kebutuhan kenyamanan [6].
Mempertimbangkan penggunaan gedung, ide Sistem Manajemen Energi
Gedung (BEMS) sekarang digunakan. BEMS dapat digambarkan sebagai
kombinasi strategi dan metode yang diperlukan untuk meningkatkan kinerja,
efisiensi, dan pemanfaatan energi [7]. Teknologi ini memungkinkan penerapan
tugas manajemen energi utama seperti mengotomatisasi pendekatan respons
permintaan, mengawasi biaya energi, mendeteksi anomali penggunaan energi,
dan mengatur informasi penggunaan energi [8]. Ada banyak penelitian dan
pekerjaan penelitian yang menjelaskan penggunaan BEMS tingkat lanjut baik
untuk subsistem seperti, sistem pendingin dan pemanas [9,10] atau seluruh
bangunan [11,12]. Kenyamanan dan manajemen energi di gedung-gedung telah
mendapatkan antusiasme penelitian yang luar biasa selama dekade terakhir.
Sistem komersial akan, secara umum, bergantung pada jadwal kerja yang
ditentukan, bergantung pada pekerjaan

* Penulis yang sesuai. Telp.: þ34 975129418.

Alamat email: luis.hernandez.callejo@uva.es (L. Hernÿandez-Callejo).

https://doi.org/10.1016/j.jobe.2020.101692
Diterima 25 Maret 2020; Diterima dalam bentuk revisi 15 Juli 2020; Diterima 20 Juli 2020 Tersedia
online 24 Juli 2020 2352-7102/© 2020 Elsevier Ltd. Semua hak dilindungi undang-undang.
Machine Translated by Google

D. Mariano-Hernandez dkk. Jurnal Teknik Bangunan 33 (2021) 101692

topik dengan topik utama menggunakan operator logika. Kemudian dilakukan lagi
Singkatan dan nomenklatur pemfilteran artikel, menghilangkan duplikat artikel dan artikel yang tidak terkait
dengan topik.
Unit Penanganan Udara AHU ÿ Menganalisis hasil: Hasil survei diperiksa untuk membedakan pelanggaran penelitian
Sistem Manajemen Energi Gedung BEMS di bidang sistem manajemen energi bangunan dan untuk menyoroti arah penelitian
BES Sistem Energi Baterai di masa depan.
CO2 Karbon dioksida,
DR Respon Permintaan 3. Bangunan pintar
Manajemen Sisi Permintaan DSM
EE Efisiensi energi Bangunan dapat berfungsi sebagai sistem cerdas yang mendorong pergerakan
EMS Sistem Manajemen Energi menuju perspektif penggunaan energi yang semakin layak. Mereka dapat mempromosikan
ESS Sistem Penyimpanan Energi percepatan penggunaan teknologi berkelanjutan dan penurunan emisi karbon, biaya
FDD Deteksi dan Diagnosis Kesalahan operasional, produktivitas, kesejahteraan, konsumsi energi, dan kenyamanan [14]. Saat
HVAC Heating Ventilation Air-Conditioning ini, ada beberapa jenis bangunan tergantung pada tujuan desain. Misalnya, ada bangunan
IoT Internet untuk segala hijau, bangunan tanpa energi, dan bangunan pintar (lihat Gambar 1).
Kontrol Prediktif Model MPC
PV Fotovoltaik
RO Optimasi Kuat Bangunan hijau umumnya dimaksudkan untuk ramah lingkungan untuk seluruh siklus
JADI Optimasi Stokastik bangunan mulai dari rencana, pengembangan, pengoperasian, dan aktivitas, dan
TES Sistem Energi Termal pemeliharaan hingga perombakan dan penghancuran bangunan. Untuk bangunan energi
Jaringan Sensor Nirkabel WSN nol bersih, tujuannya adalah untuk membuat bangunan memasok energinya dengan
perlindungan dan generator sumber daya yang berkelanjutan dalam struktur dan
mencapai penggunaan energi nol bersih dan akibatnya emisi karbon pada premis
tahunan [15] . Konsep bangunan pintar mencakup penggabungan teknologi dan sistem
diharapkan pada tahap tata letak bangunan. Telah ditemukan bahwa jadwal seperti itu energi di dalam bangunan. Ini berfokus pada otomatisasi, manajemen sumber daya,
dapat sangat bervariasi dari perilaku hunian yang sebenarnya, menyebabkan energi
kenyamanan penghuni, dan konservasi energi [16]. Menyeimbangkan persyaratan
terbuang sia-sia [13]. penggunaan energi dan kenyamanan penghuni adalah masalah terbesar di gedung
Tujuan dari makalah ini adalah untuk memberikan tinjauan strategi manajemen
pintar. Tiga pertimbangan utama yang menentukan kenyamanan penghuni di dalam
energi untuk bangunan non-perumahan dan perumahan untuk mengetahui apa saja bangunan adalah kualitas udara, kenyamanan visual dan kenyamanan termal [17]. Dalam
kesenjangan dalam hal strategi dan teknik yang digunakan untuk jenis bangunan dan
makalah ini, kami memusatkan perhatian pada bangunan pintar yang memiliki konsumsi
garis masa depan yang akan diikuti. Makalah ini meninjau penghargaan studi yang ada energi tertinggi dalam tahap operasi siklus hidup bangunan.
untuk jenis bangunan, subsistem bangunan, dan teknik yang digunakan. Kami
mengidentifikasi keadaan saat ini dan tantangan masa depan dalam penelitian BEMS. Generasi gedung pintar berikutnya tidak hanya harus mempertimbangkan fitur seperti
Struktur makalah ini adalah: Bagian 2 menyajikan metodologi yang digunakan dalam
kondisi cuaca dan prediksi hunian, tetapi juga harus cukup beradaptasi untuk
ulasan ini, Bagian 3 menawarkan informasi latar belakang bangunan dan subsistem di memaksimalkan penggunaan konsumsi terjadwal di sekitar periode harga energi rendah,
dalam gedung pintar, Bagian 4 memberikan ringkasan studi yang ada tentang strategi
sumber daya terbarukan lokal, dan penyimpanan energi [18] . Struktur gedung pintar
manajemen untuk BEMS, Bagian 5 membahas studi sebelumnya, Bagian 6 menyajikan meliputi pembangkitan, penyimpanan energi, manajemen permintaan, dan kontrol dan
tantangan masa depan dalam topik strategi manajemen BEMS, dan Bagian 7
komunikasi, yang semuanya dikendalikan oleh BEMS (lihat Gambar 2).
menyimpulkan makalah ini.

Berbagai komponen bangunan pintar dijelaskan di bagian berikut.

2. Metodologi

3.1. Generasi
Metodologi pelaksanaan kajian ini terdiri dari langkah-langkah sebagai berikut:

Hari-hari ini, sistem generasi tradisional sedang dibangun kembali dan diubah
menjadi jaringan cerdas untuk meningkatkan ketergantungan dan efektivitas sistem
ÿ Prosedur pencarian artikel: Pencarian berbasis kata kunci dilakukan menggunakan
generasi yang menghasilkan keuntungan kolektif, finansial, dan lingkungan. Jaringan
database Science Direct dan IEEE Xplore. Kata kunci seperti sistem manajemen
cerdas adalah jaringan energi listrik yang memanfaatkan pengetahuan inovatif untuk
energi gedung, sistem manajemen gedung, dan metode manajemen gedung
digunakan. Selanjutnya, makalah dipilih berdasarkan jenis artikel, pemilihan artikel
penelitian, dan review artikel. Science Direct dan IEEE Xplore dipilih, karena kedua
database tersebut memiliki sejumlah besar artikel berkualitas tinggi dan inovatif, dan
mesin pencari memiliki beberapa opsi pencarian lanjutan yang memungkinkan
pencarian yang lebih tepat.

ÿ Pemfilteran artikel: Hasil prosedur pencarian artikel dari kedua database diimpor ke
pengelola referensi untuk disaring berdasarkan judul, kata kunci, dan abstrak,
sehingga artikel yang tidak terkait dengan topik dihilangkan.

ÿ Pemilihan sub-topik: Setelah meninjau artikel yang tersisa, analisis kritis dibuat
berdasarkan topik fokus, memilih mana yang akan menjadi sub-topik untuk
dikembangkan dan mana yang akan diperkenalkan, dan memungkinkan untuk diatur
dalam manajer referensi artikel dalam sub-topik yang berbeda. ÿ Pencarian artikel
baru: Setelah sub-topik ditentukan, pencarian baru dilakukan di database yang
disebutkan di atas, menggabungkan sub-sub

Gambar 1. Jenis konsep bangunan berdasarkan tujuan desain.

2
Machine Translated by Google
D. Mariano-Hernandez dkk.
Gambar 2. Gambaran umum sistem terkait di dalam Gedung Pintar.
mengawasi dan mengontrol produksi energi dari semua sumber untuk memenuhi
kebutuhan energi klien akhir yang berfluktuasi [19]. Mikrogrid adalah bagian kecil dari
jaringan cerdas. Sebuah microgrid dapat dikontrol sebagai sistem pembangkit laju
terpisah untuk area skala kecil serta beban yang dapat dikirim dari sistem pembangkit
tipikal. Ide dasar mikrogrid berukuran kecil telah dimanfaatkan di pabrik industri,
bangunan komersial, dan rumah [20]. Mikrogrid berbasis fotovoltaik (PV) secara progresif
berubah menjadi sumber energi utama, khususnya di kalangan konsumen energi
perumahan. Dalam beberapa tahun terakhir, pengembangan besar pada penggabungan
sistem PV ke jaringan utilitas telah dilakukan [21].
Bangunan cerdas dapat dilihat sebagai struktur hemat energi yang juga dapat dilihat
sebagai bangunan dengan microgrid terintegrasi.
Ini dapat memainkan peran penting dalam renovasi jaringan energi listrik dan berfungsi
sebagai komponen penting dalam menjamin keandalan jaringan.
Hal ini dapat dicapai dengan mengubah perilaku bangunan dari penyedia yang tidak
responsif menjadi penyedia yang dinamis [22]. Untuk itu, smart building dan smart home
memiliki fungsi yang penting, karena merupakan titik akhir dalam jaringan distribusi [23].
3.2. Penyimpanan energi
Menyediakan kapasitas penyimpanan untuk membantu perubahan sifat sumber
daya angin dan matahari adalah salah satu solusi yang jelas [24]. Peralatan penyimpanan,
misalnya, tangki air, unit penyimpanan panas/es, dan baterai melakukan tugas penting
dalam menurunkan biaya energi dalam membangun sistem energi karena dapat
membantu menggunakan biaya listrik saat digunakan dan sumber energi terbarukan
[25] . Pengguna akhir dengan generator energi yang dapat dikirim dan gadget
penyimpanan memberikan peluang luar biasa untuk meningkatkan persentase beban
yang dapat dikontrol [26]. Untuk mendorong perkembangan berbagai jenis sumber daya
di dalam gedung, dua jenis penyimpanan yang berbeda digunakan: Penyimpanan Energi
Baterai (BES) dan Penyimpanan Energi Panas (TES). BES adalah gadget penyimpanan
energi tinggi yang berfungsi sebagai bantalan untuk menyimpan energi tambahan dan
membantu pengoperasian sistem saat dibutuhkan. TES bergantung pada aturan umum
ESS dan dikendalikan oleh pergerakan tenaga termal yang dibatasi oleh batasan
penyimpanan energi [27]. Penyimpanan listrik atau termal sebagian besar digunakan
sebagai pengatur permintaan di siang hari atau penyangga energi [28].
TES dipandang sebagai jawaban atas masalah pencukuran beban puncak dan
fluktuasi daya pada beban termal, seperti AC atau pemanas air yang berkontribusi
signifikan terhadap total konsumsi energi pada bangunan [29]. BES adalah sumber
energi hibrida yang paling populer di gedung-gedung. Melalui jadwal pengisian dan
pengosongan yang tepat, kemampuan penyimpanan komponen BES digunakan untuk
pencukuran permintaan puncak, pengaturan frekuensi, dan penyeimbangan beban [30].
3.3. Pengelolaan permintaan
Manajemen Permintaan telah dicirikan menjadi lebih luas
3
Jurnal Teknik Bangunan 33 (2021) 101692
ruang lingkup pengaturan, pelaksanaan, dan pengawasan kegiatan utilitas untuk
mempengaruhi perilaku pengguna untuk membuat perubahan yang diinginkan dalam
bentuk beban utilitas [31]. Sangat penting bagi permintaan untuk semakin dapat
beradaptasi dan mendorong pengguna untuk tertarik secara efektif di pasar energi [32].
Para pemimpin dari berbagai negara mulai berkonsentrasi pada kebijakan yang terkait
dengan peningkatan kuota sumber energi terbarukan dan mendorong penerapan metode
manajemen permintaan [33]. Strategi manajemen permintaan berdampak pada perilaku
konsumen untuk penggunaan energi.
Sejujurnya, itu tergantung pada koordinasi nilai usia sekarang dengan permintaan
dengan mengatur penggunaan energi perangkat listrik dan meningkatkan fungsinya di
sisi pengguna [34].
Perencanaan konsumsi adalah salah satu cara dasar yang signifikan untuk
menangani manajemen permintaan. Hal ini dilakukan dengan memodifikasi perilaku
penggunaan energi tipikal konsumen akhir setelah beberapa waktu [35]. Dalam
bangunan, peran penting dimainkan oleh konsumen karena pengurangan penggunaan
energi dapat diperoleh dengan hanya memberikan profil penggunaan perangkat listrik
kepada pengguna dan sesuai kebutuhan membantu mereka mengubah perilaku mereka.
Untuk mendorong konsumen menggunakan energi secara efisien, insentif moneter
ditawarkan kepada konsumen dengan tujuan agar mereka sengaja menggunakan energi
secara optimal dan menghindari pemborosan energi. Pendekatan ini memberikan
keselarasan antara penawaran dan permintaan [36].
3.4. Kontrol & komunikasi
Otomatisasi bangunan mengkhawatirkan jaringan komunikasi dan kontrol di gedung;
sistem terdiri dari unit pemrosesan, aktuator, sensor, dan komunikasi [37]. Bidang
membangun teknologi otomatis bukanlah hal baru; namun, karena teknologi
pendeteksian, pemrosesan, dan pengaktifan telah meningkatkan jangkauan kontrol
yang telah diperluas.
Pemanfaatan sistem sensor/aktuator yang semakin luas telah membuatnya lebih layak
untuk teknologi otomatis untuk mengambil kendali daripada penyewa, mengingat kondisi
yang menyenangkan untuk dipertahankan tanpa praktik yang tidak efisien dari penyewa
[38] . Lingkungan yang nyaman dengan efisiensi energi yang tinggi adalah target penting
dari manajemen gedung [39]. Sensor digunakan untuk penyesuaian suhu. Untuk
mencegah penyesuaian sewa berulang di antara dua kondisi sensor, sensor dengan
Deadband dibuat dan digunakan. Bagaimanapun, overshoot pada suhu yang diatur
tidak dicegah, yang meningkatkan penggunaan energi.
Untuk mengatasi masalah tersebut, digunakan kontroler Proportional-Integrate-Derivative.
Meskipun pengontrol ini meningkatkan penggunaan energi, konfigurasi yang salah pada
pengontrol dapat membuat seluruh sistem tidak seimbang [40].
Ekspresi dunia di mana objek, dan tidak hanya individu, akan selalu berasosiasi
dan siap berkolaborasi melalui Internet dikenal dengan Internet of Things (IoT) [41]. IoT
mendefinisikan kapasitas untuk mengasosiasikan dan mengontrol gadget melalui sistem
di gedung cerdas [42]. Banyak jaringan sensor yang dapat dibayangkan berbicara
dengan berbagai aplikasi dan biasanya termasuk perangkat hybrid, perangkat ini dapat
memiliki akses kabel atau jarak jauh. Mereka dapat bekerja untuk mengawasi dan
mengontrol [43]. Untuk menghindari kesulitan dalam menghubungkan perangkat melalui
rute kabel dalam jaringan berskala besar, komunikasi nirkabel paling banyak digunakan
saat ini [44]. Teknologi baru seperti Jaringan Sensor Nirkabel (WSN) berevolusi sebagai
konsekuensi dari kemajuan IoT [45].
Dengan kemajuan teknologi WSN, saat ini lebih mudah untuk mengawasi dan mengontrol
bangunan industri, kantor, dan rumah. WSN adalah dasar dari bermacam-macam
aplikasi bangunan di bidang kesehatan, pemantauan lingkungan, industri, dan keamanan,
antara lain, karena penyebaran gadget WSN yang dapat disesuaikan [46].
4. Strategi manajemen energi untuk BEMS
Gagasan penting dari manajemen energi adalah tinjauan penggunaan energi yang
konsisten, metodis, dan efisien, berfokus pada optimalisasi biaya energi terkait
karakteristik pengguna, kemampuan pembiayaan, permintaan energi, peluang
pendanaan, dan pengurangan emisi yang dicapai.
Machine Translated by Google
D. Mariano-Hernandez dkk.
[47]. Sistem Manajemen Energi (EMS) memungkinkan klien mencapai tujuan dan
tujuan pemasok utilitas, berdasarkan prediksi pembangkit terbarukan dan pola
permintaan beban [48]. Sistem ini dapat memantau dan mengontrol penggunaan energi
dalam industri, peralatan, dan bangunan sesuai dengan fungsi yang dikembangkan
atau logika kontrol yang berbeda [49]. Dalam makalah ini, istilah strategi manajemen
mengacu pada seperangkat teknik yang digunakan dalam BEMS yang berinteraksi
secara dinamis dengan bangunan untuk mendapatkan hasil yang dalam hal ini adalah
peningkatan efisiensi energi.
Juga, istilah BEMS digunakan untuk bangunan non-hunian dan perumahan.
BEMS adalah istilah yang digunakan untuk melambangkan berbagai sistem yang
digunakan untuk meningkatkan efisiensi energi gedung operasional [50] dan memastikan
kenyamanan dalam ruangan bagi penghuni gedung [51]. BEMS adalah bagian penting
dari jaringan cerdas, yang memungkinkan administrator gedung untuk mengawasi dan
mengelola energi yang digunakan di gedung mereka, sehingga memangkas permintaan
dan penggunaan energi [52]. Penggunaan BEMS sangat fleksibel baik di bangunan
tempat tinggal maupun non-perumahan.
Ada dua macam metode BEMS: aktif dan pasif. Metode pasif didasarkan pada
penyediaan strategi masa depan dan peningkatan kesadaran energi pengguna untuk
mempengaruhi dan mengurangi pemanfaatan energi pada bangunan secara tidak
langsung. Metode aktif didasarkan pada campuran infrastruktur aktuator dan sensor di
dalam gedung. Mereka bergantung pada pengurangan konteks pemborosan energi
melalui kontrol aktuator dan gadget gedung pintar [53]. Berdasarkan pendekatan aktif,
kami mengklasifikasikan BEMS menjadi empat strategi manajemen: model kontrol
prediktif, manajemen sisi permintaan, optimisasi dan deteksi kesalahan, dan diagnosis
(lihat Gambar 3).
4.1. Model kontrol prediktif
Model Predictive Control (MPC) dapat meramalkan respons bangunan terhadap
permintaan kontrol, dan mengetahui cara untuk mengekornya dapat bertindak secara
memadai untuk menyelesaikan operasi yang diperlukan. Prakiraan pemanfaatan energi
bangunan penting untuk penilaian yang lebih baik terhadap penurunan emisi CO2 dan
pemanfaatan energi karena dapat membantu menilai berbagai opsi tata letak bangunan
dan pendekatan operasi bangunan serta meningkatkan kebutuhan dan administrasi
pasokan [54].
Tiga metode telah diambil untuk membangun prakiraan penggunaan energi (lihat
Gambar 4). Metode berbasis fisika sering disebut sebagai white-box.
Mereka menggunakan prosedur langsung yang bergantung pada perhitungan fisika
untuk menjelaskan kinerja energi bangunan. Metode berbasis data, sering disebut
sebagai metode kotak hitam, pada prinsipnya bergantung pada evaluasi statistik dan
kecerdasan buatan untuk mengevaluasi dan memperkirakan penggunaan energi
gedung. Metode hibrid, sering disebut metode kotak abu-abu, merujuk pada
penggabungan pendekatan kotak putih dan kotak hitam [55].
Ada penelitian tentang BEMS yang terkait dengan model kotak putih yang berfokus
pada kontrol suhu [56], perkiraan konsumsi energi [57], prediktif panas dan kelembaban
seluruh bangunan [58], kontrol optimal aktivitas pendinginan dan pemanasan [59] ,
kelompok bangunan yang terhubung ke pompa panas [60], Heating Ventilation Air-
Conditioning (HVAC) yang optimal dan operasi energi [61], fleksibilitas energi
Gambar 3. Strategi pengelolaan BEMS.
4
Jurnal Teknik Bangunan 33 (2021) 101692
Gambar 4. Pendekatan MPC berdasarkan prediksi konsumsi energi bangunan.
[62], dan meminimalkan konsumsi energi dan biaya energi membangun sistem HVAC
dengan sistem tenaga surya terkonsentrasi terpadu [63].
Studi model black-box berfokus pada kontrol prediktif untuk boiler [64], kontrol prediktif
untuk sistem HVAC [65], beban puncak, kenyamanan termal, penyimpanan energi, dan
energi terbarukan [66], membangun model kinerja energi [67], dan model untuk sumber
daya yang berkelanjutan [68]. Untuk model kotak abu-abu, penelitian difokuskan pada
pengoptimalan volume aliran udara dan setpoint suhu pasokan udara [69], suhu titik
keseimbangan instan [70], memperkirakan laju perubahan udara ventilasi [71], dan
pemodelan bangunan termal [72,73 ].
Berdasarkan studi MPC yang disebutkan di atas, ringkasan kontribusi dan
batasannya disajikan pada Tabel 1. Perlu juga dicatat bahwa semua model terutama
digunakan di bangunan non-perumahan seperti kantor dan universitas. Subsistem yang
paling banyak diteliti di semua model adalah sistem HVAC. Mengenai teknik yang
digunakan, berbagai macam teknik disajikan, tetapi tidak ada teknik khusus yang
menonjol. Untuk model white-box dan grey-box, perangkat lunak simulasi yang menonjol
adalah MATLAB, TRNSYS, dan EnergyPlus. Dan bahasa pemrograman yang paling
banyak digunakan untuk model black-box adalah Python dan R.
4.2. Manajemen Sisi Permintaan
Demand Side Management (DSM) adalah pengaturan tindakan untuk meningkatkan
sistem energi di sisi pengguna. Mulai dari peningkatan efisiensi energi dengan
memanfaatkan sumber daya yang lebih baik, tingkat energi yang cerdas dengan
motivator untuk pengaturan pemanfaatan tertentu, hingga pengelolaan berkelanjutan
yang modern dari sumber daya energi yang dialokasikan [74].
DSM sering dipahami memiliki dua pendekatan (lihat Gambar 5): respon permintaan
(DR) dan efisiensi energi (EE) [75,76].
Dengan mengintegrasikan teknologi seperti pembangkitan sumber daya terbarukan,
sistem penyimpanan energi, perangkat pintar, dan meter pintar, bangunan hemat energi
menjadi mungkin. Selain itu, ini menetapkan generasi terdistribusi, DSM, dan ketentuan
penyimpanan terdistribusi dari jaringan cerdas yang akan datang. Telah ada penelitian
tentang BEMS terkait dengan pendekatan efisiensi energi yang berfokus pada meteran
pintar untuk rumah pintar [77], penilaian perilaku energi listrik [78], mengawasi
penggunaan perangkat listrik gedung [79], perkiraan beban permintaan termal di gedung
pintar [80], memanfaatkan massa termal di gedung [81], dan berbagai pengguna dengan
sistem distribusi umum [82].
Melakukan Demand Response pada bangunan non-hunian dapat dianggap
sebagai pekerjaan yang signifikan dalam mengurangi beban puncak pada bangunan
tersebut. Ini meningkatkan efisiensi jaringan listrik dan mengurangi energi yang mahal
dan biaya permintaan puncak. Ada studi tentang BEMS terkait dengan pendekatan
respons permintaan yang berfokus pada penurunan permintaan puncak dalam bangunan
melalui kontrol beban penggunaan akhir [83], penurunan biaya untuk manajemen energi
rumah [84], EMS rumah pintar untuk prosumer bangunan tempat tinggal [85], sistem
pendingin dan pemanas di ruang kelas [86], EMS termal real-time untuk rumah cerdas
[87], pengurangan beban puncak di gedung pintar [88].
Berdasarkan studi tersebut di DSM, ringkasan kontribusi dan keterbatasan mereka
disajikan pada Tabel 2. Ini juga layak
Machine Translated by Google
D. Mariano-Hernandez dkk.
Tabel 1
Ringkasan makalah penelitian sebelumnya, kontribusinya, dan keterbatasannya.
Mendekati Kontribusi Referensi
Kotak putih [57] Fungsi biaya untuk MPC
Model yang menjamin kenyamanan
termal dengan pemanfaatan
energi minimal dan teknik
linierisasi untuk model sistem
pemanas hidronik.
[58] Model untuk meramalkan
dan mengevaluasi
pemanfaatan energi pada
bangunan non hunian pada
tahap awal.
[59] Membangun model
hygrothermal tergantung pada
pendekatan fisik untuk
melakukan kontrol yang optimal.
[60] Model skema
pengendali prediktif untuk
sistem pendinginan dan
pemanasan menggunakan
data prediksi untuk iklim dan
perolehan dalam.
[61] Teknik MPC ekonomis untuk
meminimalkan total biaya
pengoperasian sistem pemanas
untuk sekelompok bangunan.
[62] Teknik MPC khusus
untuk mengontrol sistem
HVAC dan gadget penyimpanan
secara ideal dengan
kenyamanan termal
dan kendala teknologi.
[63] Sistem manajemen energi
MPC berbasis peningkatan
produktif yang sesuai untuk
sistem energi nonlinier.
[64] Kerangka kerja MPC real-time
untuk meminimalkan penggunaan
energi dan biaya operasional
sistem HVAC dengan tenaga
surya terkonsentrasi berskala
mikro yang terintegrasi.
Kotak hitam [65] Prosedur
Model penerapan teknik kontrol prediktif
berdasarkan jaringan saraf di
BEMS komersial untuk
boiler.
[66] Kerangka
pengoptimalan untuk
mengendalikan sistem HVAC
secara mahir di gedung.
[67] Sistem kontrol yang optimal
untuk menyinkronkan HVAC,
penyimpanan energi baterai,
dan pembangkit terbarukan.
[68] Sebuah metodologi
untuk menggambarkan
dan menilai model kinerja
energi bangunan.
[69] Teknik kontrol prediktif jaringan
saraf untuk manajemen energi
di gedung tanpa energi.
Kotak Abu-abu [70] Kerangka kontrol
Model berbasis MPC direncanakan
untuk mengurangi
penggunaan energi di non
Keterbatasan
Kontrol termal didasarkan
pada model bangunan mono-
zona, terlihat bahwa prakiraan
iklim dan beban ke dalam
adalah 100% solid.
Hanya satu wilayah iklim
tertentu yang dipertimbangkan
untuk membangun parameter
dan bentuk desain.
Kinerja bergantung pada
keadaan sistem bangunan
tertentu.
Studi simulasi tidak
mempertimbangkan penggunaan
kumparan ventilasi di
kamar.
Jangan memasukkan
harga listrik dan prakiraan
cuaca untuk melihat
pada efek
kerentanan.
Tidak ada pertimbangan
aliran daya aktif/reaktif
dalam hal ini untuk menjamin
pemenuhan kelistrikan
keterbatasan.
Libatkan kendala non-
cembung, membuat solusi
hanya optimal secara lokal.
Penilaian ekonomis
dan analisis eksergi dari sistem
tidak dilakukan.
Hanya berdasarkan suhu sistem
pemanas, suhu internal, dan
suhu eksternal.
Hanya dievaluasi pada satu
jenis bangunan bukan tempat
tinggal tertentu.
Kelembaban dan model
kenyamanan termal berbasis
suhu yang dapat digunakan
dikeluarkan dari sistem
kontrol.
Metodologi ini hanya
dievaluasi pada koefisien
kinerja sistem HVAC.
Hanya dievaluasi pada
bangunan tempat tinggal.
Desain bergantung pada
berbagai pencarian heuristik,
yang mungkin sulit ditingkatkan
jika a
5
Jurnal Teknik Bangunan 33 (2021) 101692
Tabel 1 (lanjutan )
Kontribusi Referensi Keterbatasan
Mendekati
bangunan tempat tinggal dengan tetap beberapa faktor harus
memastikan kenyamanan penghuninya. disederhanakan secara
bersamaan.
[71] Metodologi untuk Perlu disetujui pada informasi
menentukan suhu titik yang dipantau secara nyata.
keseimbangan sesaat dari
sebuah bangunan.
[72] Penggunaan Perlu penjelajahan lebih lanjut
pendekatan pemodelan kotak di ketinggian yang lebih
abu-abu untuk mengevaluasi menonjol. Hanya dievaluasi
laju perubahan ventilasi udara. untuk kamar hingga 3 m.
[73] Teknik pemodelan Pemanfaatan dua metode
bangunan hibrid untuk sistem pemodelan yang berbeda
HVAC dengan pengurangan membutuhkan seperangkat
upaya pemodelan dan keterampilan yang berbeda dari
kalibrasi. pemodel mungkin menjadi
kendala untuk penggunaannya.
[74] Teknik dinamis berdasarkan Estimasi tidak mempertimbangkan
statistik Bayesian untuk penggunaan pengukuran in-situ
mengevaluasi sifat termofisik di luar kerangka waktu musim
bangunan. dingin.
Gambar 5. Pendekatan DSM berdasarkan utilitas pengguna akhir.
mencatat bahwa pendekatan efisiensi energi terutama digunakan pada
bangunan residensial dan non-hunian, sedangkan pendekatan respon
permintaan digunakan pada bangunan non-hunian. Subsistem yang paling
banyak diteliti dalam respon permintaan adalah sistem HVAC, sedangkan
pendekatan efisiensi energi dalam konsumsi peralatan dan sistem HVAC.
Mengenai teknik yang digunakan, berbagai macam teknik disajikan, tetapi
tidak ada teknik khusus yang menonjol. Untuk kedua pendekatan tersebut,
perangkat lunak simulasi yang menonjol adalah MATLAB.
4.3. Optimasi
Ada beberapa cara untuk menangani pengoptimalan di EMS dan masalah
terkaitnya. EMS dan unsur-unsurnya dapat ditingkatkan untuk tujuan yang
sangat bervariasi dan pada tingkat konsep yang berbeda [89]. Berdasarkan
permasalahan ketidakpastian data, optimasi memiliki dua pendekatan yaitu
robust dan stochastic optimization (lihat Gambar 6).
Stochastic Optimization (SO) berharap bahwa penyebaran prospek asli
dari informasi yang meragukan harus diketahui atau dinilai. Jika kondisi ini
terpenuhi dan formulasi ulang masalah optimisasi yang tidak pasti dapat
dilakukan secara komputasi, maka SO adalah cara untuk menangani masalah
optimisasi yang dipertanyakan dalam jangkauan [ 90]. Ada studi tentang BEMS
yang terkait dengan a
Machine Translated by Google

D. Mariano-Hernandez dkk.
ÿ

Jurnal Teknik Bangunan 33 (2021) 101692

Tabel 2
Ringkasan makalah penelitian sebelumnya, kontribusinya, dan keterbatasannya.
Mendekati Kontribusi Referensi Keterbatasan

Energi [78] Ide sistem manajemen daya bergantung pada distribusi DC perumahan Penerapan ide ini memerlukan investasi awal untuk memodifikasi jaringan distribusi rumah.
Efisiensi dengan colokan pintar untuk rumah pintar.
[79] Sebuah metode untuk pemeriksaan hantaran listrik bangunan, dengan Metode ini membutuhkan informasi mentah yang sangat besar untuk memperoleh data
memanfaatkan teknik pengelompokan. berguna yang mendalam tentang konduksi listrik.
[80] Model kontrol untuk mengelola peralatan listrik utama di bangunan tempat tinggal. Kontrol diterapkan pada rumah dengan 12 muatan berbeda. Setpoint optimal untuk
setiap beban tidak diselidiki.
[81] Metode peramalan permintaan energi termal sadar aktivitas jangka pendek. Metode tersebut tidak menerapkan strategi manajemen produksi yang
mengoptimalkan pengoperasian peralatan.
[82] Algoritma untuk memanfaatkan inersia termal gedung untuk menghemat energi dan Aktivitas upaya bersama bangunan dan faktor lainnya, misalnya kendaraan listrik dan
mendorong upaya terkoordinasi di dalam kluster gedung. sumber daya bersama tidak dinilai.
[83] Penilaian dampak penggabungan dalam jaringan lokal klien komersial, seperti Penilaian tersebut divalidasi dengan bangunan yang tidak beroperasi penuh.
gedung apartemen dan distrik.

Tuntutan [84] Suatu pendekatan untuk mendapatkan nilai pengurangan yang diusulkan untuk Penggunaan pendekatan ini umumnya tidak salah lagi dan masalah
Tanggapan manajemen energi rumah. terkoordinasi.
[85] Metode untuk mengurangi permintaan listrik puncak gedung melalui kontrol beban Tidak termasuk penggabungan pembangkit dan penyimpanan terbarukan di sisi klien
penggunaan akhir. dengan bangunan yang responsif terhadap permintaan.
[86] Algoritma untuk muatan terjadwal dan unit baterai untuk prosumer rumah pintar. Algoritme dievaluasi dalam skenario di mana biaya energi bervariasi tergantung pada
jadwal. Skema dikembangkan untuk sistem HVAC terdesentralisasi.
[87] Skema manajemen energi untuk mengurangi penggunaan energi keseluruhan
unit HVAC.
[88] Sistem manajemen energi termal di gedung pintar untuk pemindahan beban puncak. Sistem manajemen dan hasil simulasi dikonfirmasi dengan uji coba.

[89] Sistem manajemen energi untuk mengurangi beban puncak seperti yang diamati oleh Jangan pertimbangkan peralatan lokal dan sistem HVAC, tetapi hanya kendaraan
jaringan listrik di gedung pintar. listrik.

bangunan non-hunian, sementara pendekatan yang kuat pada bangunan non-

hunian. Subsistem yang paling banyak diteliti dalam pendekatan yang kuat adalah
sistem HVAC, sedangkan pendekatan stokastik di semua sistem bangunan.
Mengenai teknik yang digunakan dalam pendekatan stokastik, optimasi kawanan
partikel dan jaringan saraf adalah yang paling banyak digunakan, sedangkan
dalam pendekatan yang kuat tidak ada teknik khusus yang menonjol. Untuk kedua
pendekatan tersebut, perangkat lunak simulasi yang menonjol adalah MATLAB.

4.3.1. Deteksi & diagnosis kesalahan

Gambar 6. Pendekatan Optimasi untuk mengatasi ambiguitas informasi.
Sebuah bangunan dapat direncanakan dan dikembangkan dengan cara hemat
energi dan ramah lingkungan, sebagian besar energi dapat hilang jika EMS tidak
dilaksanakan dengan tepat [103], menyebabkan peningkatan biaya operasi
bangunan [104]. Deteksi dan diagnosis kesalahan (FDD) adalah prosedur
terprogram untuk mendeteksi dan memisahkan kelemahan dalam BEMS untuk
pertahanan sistem dari kerusakan lebih lanjut. Beberapa penggunaan FDD dalam
BEMS dibuat dan dipelajari bergantung pada hubungan antara termodinamika,
tekanan, dan suhu untuk pengenalan dan analisis kelemahan [105]. Mengenai
bidang BEMS, strategi FDD dapat dikelompokkan menjadi dua teknik: knowledge
driven-based dan data-driven-based (lihat Gambar 7).

pendekatan stokastik yang berfokus pada memaksimalkan indeks kenyamanan
menggunakan konsumsi daya minimum [91], langkah-langkah kebijakan yang
efektif [92], mengidentifikasi pola konsumsi energi [93], memaksimalkan kinerja
efisiensi energi umum [94], prediksi permintaan beban PV terintegrasi cerdas
bangunan [95], dan penghematan energi melalui analitik aktuator dan sumber
informasi [96].
Robust Optimization (RO), tidak menganggap bahwa penyebaran prospek
diketahui, namun mengharapkan bahwa ketidakpastian dalam formasi berada
dalam apa yang disebut kumpulan ketidakpastian. Selain itu, adaptasi mendasar
dari RO menganggap pembatasan keras, yaitu, pelanggaran pembatasan tidak
dapat diizinkan untuk setiap pemahaman informasi dalam set ketidakpastian [90].
Ada studi tentang BEMS terkait dengan pendekatan yang kuat yang berfokus pada
perencanaan optimal komponen sistem energi lokal [97], mengawasi sistem multi-
HVAC [98], mengelola kenyamanan penghuni dan pemanfaatan energi [99],
koordinasi sistem pendingin dan kipas individu [100], dan penggunaan energi
dengan kesalahan prediksi [101,102].
Berdasarkan studi optimasi tersebut di atas, ringkasan kontribusi dan
batasannya disajikan pada Tabel 3. Perlu juga dicatat bahwa pendekatan stokastik
terutama digunakan di perumahan dan
Pendekatan berbasis data menyelesaikan tantangan FDD dengan
memanfaatkan kecerdasan buatan. Dengan informasi pelatihan yang memadai,
tugas deteksi kesalahan adalah untuk memutuskan apakah contoh informasi
pengawasan seperti informasi pelatihan tipikal [106].
Ada penelitian tentang BEMS yang terkait dengan pendekatan berbasis penggerak
yang berfokus pada penyebab kesalahan pada sistem pemanas [107] dan
mengenali pola operasi yang tidak teratur [108,109]. Pendekatan berbasis
pengetahuan yang digerakkan bergantung pada spesialis untuk mengenali dan
mendeteksi kesalahan secara lebih layak dan dapat diandalkan daripada sebagian
besar pendekatan FDD saat ini, terutama dalam kasus di mana data analitik kurang
dan tidak pasti. Ada penelitian tentang BEMS yang terkait dengan
pendekatan berbasis pengetahuan yang berfokus pada analisis analitik untuk unit
penanganan udara (AHU) [110], mengenali alasan potensial konsistensi untuk
AHU [111], membedakan dan menilai kesalahan yang dipilih dalam sistem
pendingin [112], dan membedakan cacat yang tidak terdeteksi [113].
Berdasarkan studi tersebut di atas dalam deteksi dan diagnosis kesalahan,
ringkasan kontribusi dan keterbatasannya disajikan pada Tabel 4.
Perlu juga dicatat bahwa kedua pendekatan tersebut terutama digunakan pada
bangunan bukan tempat tinggal. Subsistem yang paling banyak diteliti dalam
pendekatan berbasis pengetahuan telah menjadi sistem HVAC, sedangkan data didorong

6
Machine Translated by Google
D. Mariano-Hernandez dkk.
Tabel 3
Ringkasan makalah penelitian sebelumnya, kontribusinya, dan keterbatasannya.
Kontribusi Referensi Pendekatan
Stokastik [92] Model manajemen energi dan
kenyamanan gedung dalam
ruangan yang bergantung pada
kombinasi data.
[93] Model yang menggabungkan
persyaratan keseimbangan
energi dengan pemodelan
terperinci dari sistem HVAC
reguler.
[94] Metodologi
pengoptimalan untuk
memperkirakan
pemanfaatan energi
gedung secara real-time.
[95] Strategi bantuan pilihan
yang membedakan pengaturan
ideal intersesi retrofit dalam stok
bangunan.
[96] Sistem peramalan ansambel
untuk bangunan bioklimatik
terkoordinasi PV.
[97] BEMS berbasis cloud yang
mengintegrasikan jaringan
sensor yang disempurnakan
dengan analitik lanjutan.
Kokoh [98] Sebuah metode yang
menentukan penjadwalan yang
ideal dari komponen sistem
energi lokal.
[99] Arsitektur untuk mengawasi
sistem multi-HVAC di gedung.
[100] Sebuah metode untuk
bangunan pintar untuk
mengelola pemanfaatan energi
dan nilai kenyamanan secara keseluruhan.
[101] Algoritme untuk koordinasi
antara AC, ventilasi mekanis,
dan kipas pribadi.
[102] Suatu pendekatan berdasarkan
data probabilistik subinterval
suhu luar untuk merencanakan
pemanfaatan energi HVAC.
[103] Algoritma, yang dapat dilakukan
oleh konsumen untuk mencari
keadaan kerja yang ideal, suplai
energi, dan biaya.
pendekatan berbasis di semua sistem bangunan. Mengenai teknik yang digunakan
dalam kedua pendekatan tersebut, tidak ada teknik khusus yang menonjol. Untuk
pendekatan berbasis data driven, software simulasi yang menonjol adalah MATLAB,
sedangkan untuk berbasis knowledge driven, tidak ada software khusus yang menonjol.
5. Diskusi
Berdasarkan tinjauan penelitian sebelumnya, kategorisasi berdasarkan
strategi manajemen energi bangunan disajikan pada Tabel 5.
Sekitar 71,74% dari upaya penelitian yang ditinjau berkonsentrasi pada
pengembangan strategi manajemen energi bangunan untuk non-perumahan,
21,74% berfokus pada bangunan tempat tinggal, dan hanya 6,52% pada
bangunan non-perumahan/perumahan (lihat Gbr. 8 ) .
Sekitar 56,52% dari studi yang ditinjau di non-hunian berfokus pada sistem
HVAC, bisa jadi karena kenyamanan di dalam gedung
Jurnal Teknik Bangunan 33 (2021) 101692
Keterbatasan
Tidak memasukkan
kendaraan listrik ke dalam
sistem bangunan cerdas.
Penerapan model berada di
satu zona dan bukan di beberapa
zona
zona.
Tidak mempertimbangkan
optimalisasi pemanfaatan energi
berdasarkan pola pemakaian.
Teknik ini membutuhkan arti bobot
kriteria, yang berarti pengguna
harus mampu memberikan skala
nilai kardinal globalnya.
Gambar 7. Teknik deteksi kesalahan di bidang BEMS.
Sistem ini diterapkan hanya
Tabel 4
dalam perkiraan permintaan
beban. Ringkasan makalah penelitian sebelumnya, kontribusinya, dan keterbatasannya.
Perlu menunjukkan
Mendekati Kontribusi Referensi Keterbatasan
replikasi pengaturan
di berbagai bangunan. Didorong oleh data [108] Metodologi untuk mendeteksi Kecualikan tekanan
berdasarkan kekurangan sensor fungsional air, model keseimbangan.
dalam sistem pemanas hidronik.
Metode ini diuji pada hotel
berukuran sedang yang ditiru.
[109] Metodologi untuk karakterisasi Hanya hari kerja yang
deret waktu energi dalam dipertimbangkan, dan hari
bangunan dan bukti pembeda dengan standar rendah
Arsitektur tidak termasuk
yang langka dan tak terduga penyimpangan permintaan
kelembaban dalam ruangan dan
energi ditolak.
indeks kualitas udara dalam ruangan.
Tidak ada fungsi yang
pola energi.
tepat yang menunjukkan
[110] Dua teknik untuk Teknik tergantung pada ukuran
aktivitas manusia dimasukkan ke
menghasilkan informasi
dalam perhitungan penggunaan
bernama untuk pemanfaatan kumpulan data yang dapat diakses.
energi.
energi yang tidak teratur untuk
Model dinamika energi ruangan
informasi jarak pendek dan
diperoleh tergantung pada model
jarak jauh.
yang disederhanakan dengan
informasi terukur. didorong oleh [111] Metodologi Metodologi ini cocok
pengetahuan diagnostik untuk unit untuk menemukan perubahan
Model pemanfaatan energi berdasarkan penanganan udara. tertentu dan tiba-tiba tetapi
dapat diterapkan pada sistem tidak untuk membedakan
HVAC hanya dengan aktivitas degradasi lambat dan
kontrol on-off. kesalahan bertahap.
[112] Model diagnostik untuk unit Model ini diuji menggunakan
Pertimbangkan sistem penanganan udara. serangkaian eksperimen
yang terdiri dari penyedia simulasi yang menyuntikkan
energi dan konsumen yang berbagai skenario kesalahan.
memiliki sistem HVAC
independen. [113] Pendekatan FDD yang tidak Pendekatan FDD pertama
mengganggu dan membutuhkan kali dibatasi oleh persyaratan
bermacam-macam informasi untuk model yang
yang tidak signifikan menggambarkan perangkat keras
untuk AHU. perilaku.
[114] Teknik membedakan Keandalan teknik
kesalahan tersembunyi tergantung pada seberapa
dengan memanfaatkan baik pengetahuan ahli dapat
persamaan antara kesalahan menggambarkan kategori
yang diketahui dan kesalahan kesalahan pada tingkat tinggi.
yang tidak diketahui.
biasanya tergantung pada tiga komponen: kenyamanan kualitas udara,
kenyamanan termal, dan kenyamanan visual. Karena dua dari tiga faktor
bergantung pada sistem HVAC dan penggunaan energi gedung yang paling
signifikan terjadi dari sistem pendingin dan pemanas, penting untuk meningkatkan
pemanfaatannya [114]. Di sisi lain, untuk bangunan tempat tinggal, hanya 4,35%
yang fokus pada sistem HVAC. Sebaliknya, studi difokuskan pada seluruh
gedung atau penggunaan perangkat listrik (lihat Gambar 9), hal ini bisa disebabkan oleh pera
7
Machine Translated by Google

D. Mariano-Hernandez dkk.
ÿ

Jurnal Teknik Bangunan 33 (2021) 101692

Tabel 5
Ringkasan makalah penelitian berdasarkan tipologi bangunan, subsistem bangunan, dan strategi manajemen.
Penulis Referensi Bangunan Teknik Subsistem Bangunan Digunakan Pengelolaan
Tipologi Perangkat lunak Strategi

[55] Hazyuk dkk. Tersier Pemanasan Pemrograman Linier MATLAB Optimasi MPC
[58] Asadi et al. Komersial HVAC Simulasi Monte Carlo DOE-2, eQuest MPC
[59] Salakij et al. Perumahan HVAC Pelacakan Kuadrat Linear EnergyPlus MPC
[60] Schirer dkk. Kantor HVAC Model Kompleks Nonlinier, Sederhana Nonlinier Modelika, MATLAB Optimasi MPC
Model
[61] Staino et al. Tersier Pemanasan Optimalisasi Koperasi MATLAB Optimasi MPC
[62] Bianchini et al. Komersial HVAC Pemrograman Linear, Linear Integer Campuran EnergyPlus, MATLAB Optimasi MPC
Pemrograman
[63] Ruusu et al. Rumah Pemanasan Linear berturut-turut MATLAB, TRNSYS Optimasi MPC
Pemrograman
[64] Toub dkk. Universitas HVAC Simulasi Monte Carlo MATLAB MPC
[65] Macarulla et al. Universitas Pemanasan Jaringan syaraf MATLAB MPC
[66 ] Manjarres dkk. Kantor HVAC Regresi Hutan Acak Energi 24 jam berikutnya MPC
[67] Biyik dkk. Universitas HVAC Tidak ditentukan MATLAB Optimasi MPC
[68] Fan dkk. Universitas HVAC Pembelajaran mesin CRAN MPC
[69] Megahed et al. Rumah Keseluruhan Jaringan syaraf MATLAB/Simulink MPC
ÿ

[70] Gomez-Romero Kantor HVAC Algoritma Generator Rencana Operasional Lingkungan Virtual IES MPC
dkk.
[71] Krese et al. Tersier HVAC Analisis sensitivitas berbasis cluster EnergyPlus MPC
[72] Macarulla et al. Kantor Ventilasi Persamaan diferensial stokastik CTSM-R MPC
[73] Massa Grey dkk. Kantor HVAC Model Proses Gaussian MATLAB, TRNSYS MPC
[74] Gori et al. Kantor HVAC Statistik Bayesian YANG MULIA MPC
Perumahan
[79] Panapakidis et al. Universitas Keseluruhan Teknik Pengelompokan MATLAB DSM
[78] Keles et al. Perumahan Alat Algoritma Pelepasan Beban MATLAB/Simulink DSM
Konsumsi
[80] Fanti dkk. Rumah Alat Algoritma kontrol MATLAB/Simulink DSM
Konsumsi
[81] Sala-Cardoso Universitas HVAC Jaringan syaraf Tidak ditentukan DSM
et al.
[82] Ghofrani dkk. Tersier HVAC Jaringan syaraf EnergyPlus, Gedung DSM
Tempat Uji Virtual
[83] Martirano dkk. Perumahan HVAC Analisis Permintaan Beban Tidak ditentukan DSM
Komersial
[85] Faia dkk. Perumahan Keseluruhan k-Algoritma Tetangga Terdekat Tidak ditentukan DSM
[84] Sehar dkk. Kantor Petir, Algoritma kontrol EnergyPlus DSM
HVAC
[86] Arun dkk. Perumahan Alat Algoritma Penjadwalan, Algoritma Genetika MATLAB DSM
Konsumsi
[87] Jindal dkk. Universitas HVAC Pemrograman Linear Integer Campuran CPLEX, Gurobi DSM
[88] Baniasadi dkk. Universitas Pemanasan Bilangan Bulat Campuran Non-cembung LabVIEW, MATLAB DSM
Pemrograman Nonlinier
[89] Dagdougui dkk. Universitas HVAC Strategi kontrol pelacakan ganda BAHASA YG ANEH DSM
[92] Wang dkk. Tersier Keseluruhan Optimasi Kawanan Partikel Tidak ditentukan Optimasi
[93] Rocha dkk. Kantor HVAC Pemrograman Kuadrat Berurutan MATLAB Optimasi
Perumahan
[94] Chou dkk. Perumahan Keseluruhan Prediksi deret waktu, Machine Learning MATLAB Optimasi
[95] Carl dkk. Sekolah Keseluruhan Metode resolusi SAUGMECON MATLAB Optimasi
[96] Raza dkk. Universitas Keseluruhan Particle Swarm Optimization, Neural Network, MATLAB Optimasi
Model Bayesian
[97] Howell et al. Perumahan Keseluruhan Algoritma genetika, EnergyPlus, MATLAB Optimasi
Jaringan syaraf
[98] Gruber dkk. Hotel Keseluruhan Optimalisasi Cakrawala LabVIEW Optimasi
[99] Aguilar dkk. Teater HVAC Optimalisasi multi-tujuan Tidak ditentukan Optimasi
RSUD
[100] Yang dkk. Tidak ditentukan Petir, Optimasi Partikel Swarm Multi-Tujuan, Tidak ditentukan Optimasi
HVAC Agregasi tertimbang
[101] Xu dkk. Kantor HVAC Algoritma berbasis relaksasi Lagrangian MATLAB Optimasi
[102] Anda dkk. Tidak ditentukan HVAC Pemrograman Linier MATLAB Optimasi
[ 103 ] Ma et al. Tidak ditentukan HVAC Metode ganda Lagrangian MATLAB Optimasi
[108] Djuric dkk. Universitas Pemanasan Pemrograman kuadrat berurutan MATLAB FDD
[109] Capozoli et al. Kantor Keseluruhan Perkiraan Agregat Simbolik, Tidak ditentukan FDD
Universitas Pohon Klasifikasi dan Regresi
[110] Gaur dkk. Rumah Keseluruhan Pendekatan statistik, Segmented Linear MATLAB FDD
Regresi
[111] Pakanen et al. Kampus TUBUH Tes Diagnostik Daring BEMS Komersial FDD
[112] Ploennigs et al. Komersial TUBUH Model semantik TITISAN FDD
[113] Deshmukh et al. Universitas TUBUH Pemantauan beban listrik non-intrusif Tidak ditentukan FDD
[114] Lee dkk. Universitas TUBUH Kesalahan Tak Terlihat berbasis pengetahuan ahli Tidak ditentukan FDD
Identifikasi

8
Machine Translated by Google
D. Mariano-Hernandez dkk.
Gambar 8. Perbandingan literatur yang ditinjau berdasarkan tipe bangunan.
digunakan tergantung pada kebutuhan yang diberikan oleh pengguna untuk setiap beban
terlepas dari momen [115].
Untuk bangunan non-hunian, strategi yang paling banyak digunakan adalah MPC,
alasannya bisa jadi karena MPC dapat mewakili hunian ruangan, prediksi cuaca, dan
data lain yang mungkin menarik untuk pengendalian sistem yang ideal [116] . Menganalisis
interaksi penghuni sangat penting untuk memperkirakan konsumsi energi, tanpa
penyelidikan semacam itu, ada tingkat kerentanan dan kesalahan yang tinggi [117].
Meskipun harus diakui bahwa dalam penelitian terbaru, optimasi telah berkembang karena
strategi manajemen ini tidak hanya digunakan dalam metode BEMS aktif tetapi juga yang
pasif, seperti manajemen beban termal [118], dan link struktural [119]. Untuk bangunan
tempat tinggal, strategi yang paling banyak digunakan adalah DSM (lihat Gambar 10),
alasannya mungkin karena pelanggan diperbolehkan untuk menentukan penggunaan
energinya, membantu pemasok energi untuk membentuk kembali profil beban dan
menurunkan permintaan beban puncak. DSM dalam EMS konvensional menggunakan
metode khusus sistem dan menangani sejumlah beban yang dapat dikelola yang telah
ditentukan sebelumnya dari jenis yang dibatasi [120].
Bangunan tempat tinggal dan non tempat tinggal memiliki faktor umum yang harus
diperhatikan untuk penggunaan energi yang efisien, yaitu perilaku penghuni, yang akan
menentukan bagaimana sistem seharusnya bekerja. Prediksi perilaku penghuni adalah
tugas yang sulit di gedung karena akan tergantung pada cara berpikir penghuni dan
tujuan gedung.
Karena itu, teknologi seperti pembelajaran mesin telah terbukti
Gambar 9. Perbandingan tinjauan literatur antara tipe bangunan dan sistem bangunan.
9
Jurnal Teknik Bangunan 33 (2021) 101692
Gambar 10. Perbandingan literatur yang ditinjau antara strategi manajemen pada tipe
bangunan.
berguna untuk memprediksi perilaku penghuni, karena didasarkan pada pengalaman
sebelumnya dan memodelkan perilaku masa depan.
6. Tantangan masa depan
Isu energi pada bangunan telah membuat perubahan berkala yang penting dalam
strategi untuk menangani konfigurasi/retrofit bangunan [121]. Dalam kaitan ini, semua
strategi manajemen menghadirkan tantangan masa depan yang harus dihadapi. Beberapa
khusus untuk setiap strategi sementara yang lain disajikan dalam beberapa.
ÿ Untuk metode kontrol berbasis model, sifat model yang mencirikan sistem dan elemen
bangunan sangat penting untuk memastikan pelaksanaan kontrol dan otomatisasi
bangunan cerdas yang dapat diterima [122]. Selain itu, keakuratan dan kewajaran
informasi dan koneksi yang diasumsikan darinya menjadi landasan kembali
kualitas [123].
ÿ Kebutuhan energi benar-benar terkait dengan kondisi iklim setempat, oleh karena itu
mungkin wajar jika perubahan kondisi iklim dunia dan lokal di kemudian hari akan
mengarah ke
perkembangan kebutuhan energi tahunan untuk stok bangunan saat ini [124].
Permintaan bangunan tempat tinggal akan dipengaruhi oleh perubahan lingkungan
karena perluasan suhu normal, batas iklim, dan perubahan selanjutnya pada
kebutuhan pemanasan dan pendinginan ruang [125].
ÿ Perubahan dalam sistem pasokan energi mendorong tugas mengkoordinasikan
pembangkit energi berkelanjutan yang sangat berfluktuasi dan dapat berubah
dengan permintaan energi yang masih kuat. Ini mendorong permintaan yang
meningkat untuk penyimpanan dan fleksibilitas permintaan [126]. Oleh karena itu,
koordinasi dan kolaborasi energi di antara bangunan dan kendaraan menarik intrik
yang luas akhir-akhir ini [127]. ÿ Siklus hidup bangunan tradisional biasanya ditetapkan
dalam ratusan tahun, sedangkan umur sensor harus dipertahankan lebih dari sepuluh
tahun atau jauh lebih pendek [128]. Selain itu, teknik bergantung pada anggapan
bahwa informasi sensor selesai dan solid, yang tidak terlalu jelas dalam praktik nyata
[129].
Mempertimbangkan tantangan yang disebutkan di atas, masing-masing strategi
memiliki garis penelitian masa depan yang harus ditangani. MPC dan
strategi optimalisasi membutuhkan pengembangan model perbaikan yang memiliki kinerja
lebih baik dengan mempertimbangkan karakterisasi sistem bangunan dan variabel iklim
sehingga penghematan energi dapat dicapai dalam sistem yang mempengaruhi
kenyamanan penghuni. Strategi DSM dipengaruhi oleh perilaku penghuni gedung dan
perangkat yang digunakan, maka perlu dilakukan penelitian beban yang akan berdampak
signifikan tidak hanya pada gedung tetapi juga pada jaringan listrik, seperti kendaraan
listrik. FDD adalah yang paling terpengaruh dalam hal keandalan yang harus dimiliki
sensor, jadi penelitianlah yang memungkinkan memiliki yang andal
Machine Translated by Google
D. Mariano-Hernandez dkk.
ÿ
sistem komunikasi semakin dibutuhkan. Selain itu, kebutuhan akan model prediksi
untuk tugas-tugas tertentu dalam bangunan merupakan topik yang menarik untuk
setiap strategi manajemen.
7. Kesimpulan
Makalah ini menyajikan ikhtisar strategi yang sedang berlangsung di bidang
sistem manajemen energi bangunan aktif. Artikel yang terkait dengan strategi
manajemen yang berbeda untuk BEMS seperti MPC, DSM, Optimasi, dan FDD dalam
hal bangunan tempat tinggal dan non-perumahan dievaluasi. Subsistem bangunan
dan teknik yang digunakan untuk setiap jenis strategi ditinjau. Juga, perangkat lunak
yang digunakan untuk memvalidasi odologi met dievaluasi. Makalah ini ditutup dengan
diskusi tentang hasil yang ditemukan di setiap strategi, pelanggaran penelitian, dan
pedoman penelitian di masa depan.
Seperti yang ditemukan dalam ulasan, sebagian besar studi berfokus pada sistem
HVAC, memprioritaskan hanya untuk mengurangi konsumsi energi dari sistem ini
tetapi mengesampingkan subsistem bangunan lainnya, yang mungkin menunjukkan
konsumsi yang lebih tinggi tergantung pada tujuan bangunan tersebut. Hasil dari
makalah ini menunjukkan bahwa beberapa bidang penelitian mungkin memerlukan
lebih banyak pertimbangan: model prediksi konsumsi energi untuk subsistem yang
berbeda, manajemen permintaan yang mempertimbangkan beban baru seperti
kendaraan listrik, metode yang menyertakan perilaku penghuni berdasarkan data
nyata dan metodologi yang dapat diterapkan baik untuk bangunan tempat tinggal
maupun bukan tempat tinggal, dengan mempertimbangkan semua sub sistem. Arah
penelitian di masa depan dapat mengarah pada peningkatan yang signifikan di area
ini dan di luarnya termasuk teknik pembelajaran mesin dan model perilaku penghuni.
Deklarasi kepentingan bersaing
Para penulis menyatakan bahwa mereka tidak memiliki kepentingan keuangan
yang bersaing atau hubungan pribadi yang dapat mempengaruhi pekerjaan yang
dilaporkan dalam makalah ini.
Pengakuan
CYTED, nomor hibah: 518RT0558.
Lampiran A. Data tambahan
Data tambahan untuk artikel ini dapat ditemukan online di https://doi.
org/10.1016/j.jobe.2020.101692.
Referensi
[1] S. Shan, B. Cao, Z. Wu, Peramalan konsumsi listrik jangka pendek bangunan menggunakan
model ansambel baru, IEEE Access 7 (2019) 88093–88106, https://doi.org/10.1109/
AKSES.2019.2925740.
[2] M. Ashouri, F. Haghighat, BCM Fung, H. Yoshino, Pengembangan prosedur peringkat untuk
evaluasi kinerja energi gedung berdasarkan perilaku penghuni, Energy Build. 183 (2019) 659–
671, https://doi.org/10.1016/j. enbuild.2018.11.050.
[3] RG Junker, AG Azar, RA Lopes, KB Lindberg, G. Reynders, R. Relan, dkk., Mencirikan fleksibilitas
energi bangunan dan distrik, Appl. Energi 225 (2018) 175–182, https://doi.org/10.1016/
j.apenergy.2018.05.037.
[4] H. Doukas, KD Patlitzianas, K. Iatropoulos, J. Psarras, Sistem manajemen energi bangunan
cerdas menggunakan kumpulan aturan, Build. Mengepung. 42 (2007) 3562–3569, https://
doi.org/10.1016/j.buildenv.2006.10.024.
[5] M. Al-Rakhami, A. Gumaei, A. Alsanad, A. Alamri, MM Hassan, Pendekatan pembelajaran
ansambel untuk prediksi beban energi yang akurat pada bangunan tempat tinggal, IEEE Access
7 (2019) 48328–48338, https: / /doi.org/10.1109/ ACCESS.2019.2909470.
[6] W. Wang, T. Hong, N. Li, RQ Wang, J. Chen, Menghubungkan energi-cyber-fisik
sistem dengan prediksi dan interpretasi hunian melalui klasifikasi ansambel berbasis probe WiFi,
Appl. Energi 236 (2019) 55–69, https://doi.org/ 10.1016/j.apenergy.2018.11.079.
[7] D. Bonilla, MG Samaniego, R. Ramos, H. Campbell, Alat pemantauan praktis dan murah untuk
membangun sistem manajemen energi menggunakan instrumentasi virtual, Kota dan
Masyarakat Berkelanjutan 39 (2018) 155–162, https: // doi. org/10.1016/j.scs.2018.02.009.
10
Jurnal Teknik Bangunan 33 (2021) 101692
[8] PRS Jota, VRB Silva, FG Jota, Manajemen beban bangunan menggunakan analisis kluster dan
statistik, Int. J.Electr. Sistem Energi Daya. 33 (2011) 1498–1505, https://doi.org/10.1016/
j.ijepes.2011.06.034.
[9] L. Jiang, R. Yao, K. Liu, R. McCrindle, Sistem manajemen energi berbasis agen Epistemic-
Deontic-Axiologic (EDA) di gedung perkantoran, Appl. Energi 205 (2017) 440–452, https://
doi.org/10.1016/j.apenergy.2017.07.081.
[10] A. Seeam, D. Laurenson, A. Usmani, Mengevaluasi potensi simulasi
sistem manajemen energi berbantuan: kasus untuk pengoptimalan pemanas listrik, Energy Build.
174 (2018) 579–586, https://doi.org/10.1016/j. enbuild.2018.06.063.
[11] S. Rotger-Griful, U. Welling, RH Jacobsen, Implementasi sistem manajemen energi bangunan untuk
respon permintaan perumahan, Microprocess. Mikrosistem. 55 (2017) 100–110, https://doi.org/
10.1016/j.micpro.2017.10.006.
[12] F. Wang, L. Zhou, H. Ren, X. Liu, S. Talari, M. Shafie-khah, et al., Model optimisasi multi-tujuan
pengiriman sinergis sumber-beban-penyimpanan untuk energi bangunan sistem manajemen
berdasarkan respons permintaan harga TOU, IEEE Trans.
Ind.Apl. 54 (2018) 1017–1028, https://doi.org/10.1109/TIA.2017.2781639.
[13] S. Naylor, M. Gillott, T. Lau, Tinjauan tentang kontrol bangunan yang berpusat pada penghuni
strategi untuk mengurangi penggunaan energi gedung, Renew. Mempertahankan. Energy Rev.
96 (2018) 1–10, https://doi.org/10.1016/j.rser.2018.07.019.
[14] S. D'Oca, T. Hong, J. Langevin, Dimensi manusia dari penggunaan energi dalam bangunan: review,
Renew. Mempertahankan. Energy Rev. 81 (2018) 731–742, https://doi.org/ 10.1016/
j.rser.2017.08.019.
[15] J. Pan, R. Jain, S. Paul, Survei efisiensi energi di gedung dan jaringan mikro menggunakan teknologi
jaringan, Survei & Tutorial Komunikasi IEEE 16 (2014) 1709–1731, https://doi.org/10.1109 /
SURV.2014.060914.00089.
[16] PH Shaikh, NBM Nor, P. Nallagownden, I. Elamvazuthi, T. Ibrahim, Kontrol dan manajemen multi-
tujuan yang cerdas untuk bangunan hemat energi yang cerdas, Int.
J.Electr. Sistem Energi Daya. 74 (2016) 403–409, https://doi.org/10.1016/j. ijepes.2015.08.006.
[17] L. Wang, Z. Wang, R. Yang, Intelligent multiagent control system for energy and comfort management
in smart and sustainable buildings, IEEE Transactions on Smart Grid 3 (2012) 605–617, https://
doi.org /10.1109/TSG.2011.2178044.
[18] J. Reynolds, Y. Rezgui, A. Kwan, S. Piriou, Tingkat zona, membangun energi
optimasi yang menggabungkan jaringan saraf tiruan, algoritme genetik, dan kontrol prediksi
model, Energy 151 (2018) 729–739, https://doi.org/10.1016/ j.energy.2018.03.113.
[19] M. Rahmani-Andebili, H. Shen, Manajemen energi yang dikendalikan harga dari rumah pintar
untuk memaksimalkan keuntungan dari GENCO, IEEE Transactions on Systems, Man, and
Cybernetics: Systems 49 (2019) 697–709, https: / /doi.org/10.1109/ TSMC.2017.2690622.
[20] SJ Kang, J.Park, K.-Y. Oh, JG Noh, H. Park, Strategi kontrol aliran energi waktu nyata berbasis
penjadwalan untuk membangun sistem manajemen energi, Energy Build. 75 (2014) 239–248,
https://doi.org/10.1016/j.enbuild.2014.02.008.
[21] CO Adika, L. Wang, Penjadwalan alat otonom untuk manajemen energi rumah tangga, IEEE
Transactions on Smart Grid 5 (2014) 673–682, https://doi. org/10.1109/TSG.2013.2271427.
[22] A. Ouammi, Penjadwalan daya optimal untuk jaringan kerja sama bangunan tempat tinggal
cerdas, IEEE Transactions on Sustainable Energy 7 (2016) 1317–1326, https://doi.org/
10.1109/TSTE.2016.2525728.
[23] N. Langhammer, R. Kays, Evaluasi kinerja jaringan otomatisasi rumah nirkabel dalam skenario
dalam ruangan, IEEE Transactions on Smart Grid 3 (2012) 2252–2261, https://doi.org/10.1109/
TSG.2012.2208770 .
[24] GS Pavlak, GP Henze, VJ Cushing, Mengevaluasi efek sinergis dari pengendalian portofolio massa
termal bangunan komersial secara optimal, Energi 84 (2015) 161–176, https://doi.org/10.1016/
j.energy.2015.02.073 .
[25] Z. Xu, X. Guan, Q. Jia, J. Wu, D. Wang, S. Chen, Analisis kinerja dan
perbandingan perangkat penyimpanan energi untuk manajemen energi gedung pintar, IEEE
Transactions on Smart Grid 3 (2012) 2136–2147, https://doi.org/10.1109/ TSG.2012.2218836.
[26] EC Manasseh, S. Ohno, T. Yamamoto, A. Mvuma, Sisi permintaan terdistribusi
optimalisasi manajemen untuk pengguna multi-perumahan dengan strategi produksi dan
penyimpanan energi, J. Eng. 2014 (2014) 672–679, https://doi.org/10.1049/joe.2014.0199 .
[27] S. Sharma, Y. Xu, A. Verma, BK Panigrahi, Manajemen multienergi yang terkoordinasi dengan
waktu dari gedung pintar di bawah ketidakpastian, IEEE Transactions on Industrial
Informatics 15 (2019) 4788–4798, https://doi.org/ 10.1109/ TII.2019.2901120.
[28] D. Lazos, AB Sproul, M. Kay, Optimalisasi manajemen energi di bangunan komersial dengan input
prakiraan cuaca: review, Renew. Mempertahankan. Energy Rev. 39 (2014) 587–603, https://
doi.org/10.1016/j.rser.2014.07.053.
[29] F. Wei, Y. Li, Q. Sui, X. Lin, L. Chen, Z. Chen, et al., Sistem penyimpanan energi termal baru di
gedung pintar berdasarkan material perubahan fasa, IEEE Transactions on Smart Kisi 10
(2019) 2846–2857, https://doi.org/10.1109/ TSG.2018.2812160.
[30] T. Cui, S. Chen, Y. Wang, Q. Zhu, S. Nazarian, M. Pedram, Kerangka kerja penjadwalan bersama
energi yang optimal untuk gedung pintar, Integrasi 58 (2017) 528–537, https: // doi.org/10.1016/
j.vlsi.2016.10.009.
[31] N. Chakraborty, A. Mondal, S. Mondal, Penjadwalan cerdas perangkat termostatik untuk
manajemen energi yang efisien dalam jaringan cerdas, IEEE Transactions on Industrial
Informatics 13 (2017) 2899–2910, https://doi.org/10.1109 /
TII.2017.2695241.
[32] J. Agüero, F. Rodríguez, A. Gimÿenez, Manajemen energi berdasarkan
konsep produktivitas, Renew. Mempertahankan. Energy Rev. 22 (2013) 92–100, https://doi.org/
10.1016/j.rser.2013.01.040 .
Machine Translated by Google
D. Mariano-Hernandez dkk.
ÿ
[33] SMH Ali, M. Lenzen, J. Huang, Pergeseran beban AC di bangunan tempat tinggal:
manfaat untuk jaringan listrik terintegrasi rendah karbon, IET Renew. Pembangkit
Listrik. 12 (2018) 1314–1323, https://doi.org/10.1049/iet-rpg.2017.0859.
[34] M. Collotta, G. Pau, Pendekatan manajemen energi baru untuk rumah pintar menggunakan
bluetooth energi rendah, IEEE J. Sel. Daerah. Komunal. 33 (2015) 2988–2996, https://
doi.org/10.1109/JSAC.2015.2481203 .
[35] Z. Zhu, S. Lambotharan, WH Chin, Z. Fan, Optimalisasi teori permainan
kerangka kerja untuk manajemen permintaan rumah yang menggabungkan sumber daya
energi lokal, IEEE Transactions on Industrial Informatics 11 (2015) 353–362, https://
doi.org/ 10.1109/TII.2015.2390035.
[36] MH Rahim, A. Khalid, N. Javaid, M. Alhussein, K. Aurangzeb, ZA Khan, Bangunan pintar
hemat energi menggunakan koordinasi antar peralatan yang menghasilkan data besar,
IEEE Access 6 (2018) 34670–34690, https: / /doi.org/10.1109/
AKSES.2018.2805849.
[37] D. Dietrich, D. Bruckner, G. Zucker, P. Palensky, Komunikasi dan
perhitungan dalam bangunan: pengenalan singkat dan ikhtisar, IEEE Trans. Ind.
Elektron. 57 (2010) 3577–3584, https://doi.org/10.1109/TIE.2010.2046570.
[38] TR Whiffen, S. Naylor, J. Hill, L. Smith, PA Callan, M. Gillott, et al., Tinjauan konsep
komunikasi saluran listrik dalam membangun sistem manajemen energi untuk skala kecil
hingga menengah non-domestik lingkungan binaan, Perbarui. Mempertahankan.
Energy Rev. 64 (2016) 618–633, https://doi.org/10.1016/j.rser.2016.06.069.
[39] R. Yang, L. Wang, Manajemen energi bangunan multi-zona menggunakan kecerdasan
kontrol dan optimalisasi, Kota dan Masyarakat Berkelanjutan 6 (2013) 16–21, https://
doi.org/10.1016/j.scs.2012.07.001 .
[40] AI Dounis, C. Caraiscos, Rekayasa sistem kontrol lanjutan untuk manajemen energi dan
kenyamanan di lingkungan bangunan—ulasan, Renew. Mempertahankan.
Energy Rev. 13 (2009) 1246–1261, https://doi.org/10.1016/j.rser.2008.09.015.
ÿ
[41] M. Molina-Solana, M. Ros, MD Ruiz, J. Gomez-Romero, MJ Martin-Bautista, Ilmu data
untuk membangun manajemen energi: review, Renew. Mempertahankan. Energy Rev.
70 (2017) 598–609, https://doi.org/10.1016/j.rser.2016.11.132.
[42] A. Verma, S. Prakash, V. Srivastava, A. Kumar, SC Mukhopadhyay, Merasakan,
pengendalian, dan infrastruktur IoT di gedung pintar: review, IEEE Sensor. J.19 (2019)
9036–9046, https://doi.org/10.1109/JSEN.2019.2922409.
[43] SS Adhatarao, M Arumaithurai, D Kutscher, X Fu, ISI: Mengintegrasikan sensor
jaringan ke internet dengan ICN, IEEE Internet of Things Journal 5 (2018) 491–499,
https://doi.org/10.1109/JIOT.2017.2741923.
[44] A. Kifouche, R. Hamouche, R. Kocik, A. Rachedi, G. Baudoin, Berpenggerak model
kerangka kerja untuk meningkatkan siklus desain jaringan sensor, Transactions on
Emerging Telecommunications Technologies 30 (2019), e3560, https://doi.org/10.1002/
ett.3560 .
[45] J. Iqbal, M. Khan, M. Talha, H. Farman, B. Jan, A. Muhammad, et al., Sebuah arsitektur
generik internet untuk mengendalikan konsumsi energi listrik di rumah pintar, Kota dan
Masyarakat Berkelanjutan 43 (2018) 443–450, https://doi.org/ 10.1016/j.scs.2018.09.020.
[46] M. Magno, T. Polonelli, L. Benini, E. Popovici, Solusi jaringan sensor nirkabel berbiaya
rendah dan sangat terukur untuk mencapai kontrol lampu LED cerdas untuk bangunan
hijau, Sensor IEEE. J.15 (2015) 2963–2973, https://doi.org/10.1109/
JSEN.2014.2383996.
[47] H. Doukas, C. Nychtis, J. Psarras, Menilai langkah-langkah hemat energi di gedung melalui
model pendukung keputusan cerdas, Build. Mengepung. 44 (2009) 290–298, https://
doi.org/10.1016/j.buildenv.2008.03.006.
[48] MC Di Piazza, G. La Tona, M. Luna, A. Di Piazza, Sistem Manajemen Energi
dua tahap untuk gedung pintar yang mengurangi dampak ketidakpastian
permintaan, Energy Build. 139 (2017) 1–9, https://doi.org/10.1016/j.
enbuild.2017.01.003.
[49] D. Lee, C.-C. Cheng, Penghematan energi oleh sistem manajemen energi: review,
Renew. Mempertahankan. Energy Rev. 56 (2016) 760–777, https://doi.org/10.1016/j.
rser.2015.11.067.
[50] K. McGlinn, B. Yuce, H. Wicaksono, S. Howell, Y. Rezgui, Evaluasi kegunaan alat berbasis
web untuk mendukung manajemen energi bangunan holistik, Autom.
Membangun. 84 (2017) 154–165, https://doi.org/10.1016/j.autcon.2017.08.033.
[51] A. Javed, H. Larijani, A. Ahmadinia, R. Emmanuel, D. Gibson, C. Clark,
Pengujian eksperimental pengontrol pintar jaringan saraf acak menggunakan ruang uji
zona tunggal, IET Netw. 4 (2015) 350–358, https://doi.org/10.1049/iet net.2015.0020.
[52] B. Sivaneasan, KN Kumar, KT Tan, PL So, respon permintaan Preemptive
manajemen bangunan, IEEE Transactions on Sustainable Energy 6 (2015) 346–356,
https://doi.org/10.1109/TSTE.2014.2375895.
[53] HE Degha, FZ Laallam, B. Said, Sistem kesadaran konteks cerdas untuk energi
efisiensi dalam bangunan pintar berdasarkan ontologi, Komputasi Berkelanjutan:
Sistem dan Informatika 21 (2019) 212–233, https://doi.org/10.1016/j.
suscom.2019.01.013.
[54] K. Amasyali, NM El-Gohary, Kajian studi prediksi konsumsi energi bangunan
berbasis data, Renew. Mempertahankan. Energy Rev. 81 (2018) 1192–1205,
https://doi.org/10.1016/j.rser.2017.04.095.
[55] M. Bourdeau, Xq Zhai, E. Nefzaoui, X. Guo, P. Chatellier, Pemodelan dan
peramalan konsumsi energi bangunan: tinjauan teknik berbasis data, Kota dan
Masyarakat Berkelanjutan 48 (2019) 101533, https://doi.org/10.1016/j.
scs.2019.101533.
[56] I. Hazyuk, C. Ghiaus, D. Penhouet, Kontrol suhu optimal bangunan yang dipanaskan
sebentar-sebentar menggunakan Model Predictive Control: Part II – algoritma kontrol,
Build. Mengepung. 51 (2012) 388–394, https://doi.org/10.1016/j. buildenv.2011.11.008.
[57] S. Asadi, SS Amiri, M. Mottahedi, Tentang pengembangan analisis regresi linier berganda
untuk menilai konsumsi energi pada tahap awal desain bangunan,
11
Jurnal Teknik Bangunan 33 (2021) 101692
Bangun Energi. 85 (2014) 246–255, https://doi.org/10.1016/j.
enbuild.2014.07.096.
[58] S. Salakij, N. Yu, S. Paolucci, P. Antsaklis, Kontrol Prediktif Berbasis Model untuk
membangun manajemen energi. I: pemodelan energi dan kontrol optimal, Energy Build.
133 (2016) 345–358, https://doi.org/10.1016/j.enbuild.2016.09.044.
[59] A Schirrer, M Brandstetter, I Leobner, S Hauer, M Kozek, Model nonlinier
kontrol prediktif untuk sistem pemanas dan pendingin gedung perkantoran hemat
energi, Energy Build. 125 (2016) 86–98, https://doi.org/10.1016/j.
enbuild.2016.04.029.
[60] A. Staino, H. Nagpal, B. Basu, Koperasi optimalisasi energi bangunan
sistem dalam kerangka kendali prediktif model ekonomi, Energy Build. 128 (2016) 713–
722, https://doi.org/10.1016/j.enbuild.2016.07.009.
[61] G. Bianchini, M. Casini, D. Pepe, A. Vicino, GG Zanvettor, Pendekatan kontrol prediktif
model terintegrasi untuk HVAC optimal dan operasi penyimpanan energi di gedung
berskala besar, Appl. Energi 240 (2019) 327–340, https://doi.org/10.1016/
j.apenergy.2019.01.187 .
[62] R. Ruusu, S. Cao, B. Manrique Delgado, A. Hasan, Kuantifikasi langsung dari
fleksibilitas energi multi-sumber di bangunan tempat tinggal menggunakan pengontrol
tingkat tinggi prediktif model baru, Energy Convers. Kelola. 180 (2019) 1109–1128, https://
doi.org/10.1016/j.enconman.2018.11.026.
[63] M. Toub, CR Reddy, M. Razmara, M. Shahbakhti, RD Robinett, G. Aniba,
Kontrol prediktif berbasis model untuk operasi MicroCSP optimal yang terintegrasi
dengan sistem bangunan HVAC, Energy Convers. Kelola. 199 (2019) 111924, https://
doi.org/10.1016/j.enconman.2019.111924 .
[64] M. Macarulla, M. Casals, N. Forcada, M. Gangolells, Implementasi kontrol prediktif dalam
sistem manajemen energi gedung komersial menggunakan jaringan saraf, Energy Build.
151 (2017) 511–519, https://doi.org/10.1016/j. enbuild.2017.06.027.
[65] D. Manjarres, A. Mera, E. Perea, A. Lejarazu, S. Gil-Lopez, Kontrol prediktif hemat energi
untuk sistem HVAC yang diterapkan pada bangunan tersier berdasarkan teknik regresi,
Energy Build. 152 (2017) 409–417, https://doi.org/ 10.1016/j.enbuild.2017.07.056.
[66] E. Biyik, A. Kahraman, Strategi pengendalian prediktif untuk pengelolaan optimal beban
puncak, kenyamanan termal, penyimpanan energi dan energi terbarukan di gedung multi-
zona, Jurnal Teknik Bangunan 25 (2019) 100826, https:// doi .org/ 10.1016/
j.jobe.2019.100826.
[67] C. Fan, F. Xiao, C. Yan, C. Liu, Z. Li, J. Wang, Sebuah metodologi baru untuk menjelaskan
dan mengevaluasi model kinerja energi bangunan berbasis data berdasarkan pembelajaran
mesin yang dapat ditafsirkan, Appl. Energi 235 (2019) 1551–1560, https://doi.org/10.1016/
j.apenergy.2018.11.081 .
[68] TF Megahed, SM Abdelkader, A. Zakaria, Manajemen energi di gedung tanpa energi
menggunakan kontrol prediktif jaringan saraf, IEEE Internet of Things Journal 6 (2019)
5336–5344, https://doi.org/10.1109/JIOT .2019.2900558.
ÿ ÿ
[69] J. Gomez-Romero,
~
CJ Fernandez-Basso, MV Cambronero, M. Molina-Solana, J.
Campana, denganMD Ruiz,
modeletkompleksitas
al., Algoritmepenuh
probabilistik
di bangunan
untuk non-perumahan,
kontrol prediktif R.
IEEE
Access 7 (2019) 38748–38765, https: / /doi.org/10.1109/ACCESS.2019.2906311.
ÿ
suhu titik Z. sebagaiLampret,
karakteristik
V. Butala,
energi,M.
Energi
Prek,165
Penentuan
(2018) 1034–1049,
Neraca Bangunan
https://doi.org/10.1016/
[70] G. Krese,
j.energi.2018.10.025.
[71] M. Macarulla, M. Casals, N. Forcada, M. Gangolells, A. Giretti, Estimasi a
laju perubahan udara ventilasi ruangan menggunakan pendekatan pemodelan kotak abu-
abu stokastik, Pengukuran 124 (2018) 539–548, https://doi.org/10.1016/j.
pengukuran.2018.04.029.
[72] F. Massa Gray, M. Schmidt, Pendekatan hibrida untuk pemodelan bangunan termal
menggunakan kombinasi proses Gaussian dan model kotak abu-abu, Energy Build. 165
(2018) 56–63, https://doi.org/10.1016/j.enbuild.2018.01.039.
[73] V. Gori, CA Elwell, Estimasi sifat termofisika dari in-situ
pengukuran di semua musim: Mengukur dan mengurangi kesalahan menggunakan
metode kotak abu-abu dinamis, Energy Build. 167 (2018) 290–300, https://doi.org/10.1016/
j.enbuild.2018.02.048 .
[74] P. Palensky, D. Dietrich, Manajemen sisi permintaan: respons permintaan, sistem energi
cerdas, dan beban cerdas, IEEE Transactions on Industrial Informatics 7 (2011) 381–388,
https://doi.org/10.1109/TII .2011.2158841.
[75] C. Pang, P. Dutta, M. Kezunovic, BEVs/PHEVs sebagai penyimpan energi tersebar untuk
penggunaan V2B di smart grid, IEEE Transactions on Smart Grid 3 (2012) 473–482,
https://doi.org /10.1109/TSG.2011.2172228.
[76] M. Behrangrad, Tinjauan model bisnis manajemen sisi permintaan di
pasar listrik, Renew. Mempertahankan. Energy Rev. 47 (2015) 270–283, https://doi. org/
10.1016/j.rser.2015.03.033.
[77] C. Keles, A. Karabiber, M. Akcin, A. Kaygusuz, BB Alagoz, O. Gul, Konsep manajemen
daya gedung cerdas: aplikasi soket cerdas dengan distribusi DC, Int. J.Electr. Sistem
Energi Daya. 64 (2015) 679–688, https://doi. org/10.1016/j.ijepes.2014.07.075.
[78] IP Panapakidis, TA Papadopoulos, GC Christoforidis, GK Papagiannis,
Algoritma pengenalan pola untuk analisis kurva beban listrik bangunan, Energy Build.
73 (2014) 137–145, https://doi.org/10.1016/j. enbuild.2014.01.002.
[79] MP Fanti, AM Mangini, M. Roccotelli, Model simulasi dan kontrol untuk
membangun manajemen energi, Contr. Eng. Praktek. 72 (2018) 192–205, https://doi. org/
10.1016/j.conengprac.2017.11.010.
[80] E. Sala-Cardoso, M. Delgado-Prieto, K. Kampouropoulos, L. Romeral, Peramalan
permintaan daya HVAC yang sadar aktivitas, Energy Build. 170 (2018) 15–24, https://
doi.org/10.1016/j.enbuild.2018.03.087.
Machine Translated by Google
D. Mariano-Hernandez dkk.
ÿ
[81] A. Ghofrani, SD Nazemi, MA Jafari, sinkronisasi beban HVAC di smart
membangun komunitas, Kota dan Masyarakat Berkelanjutan 51 (2019) 101741, https://doi.org/
10.1016/j.scs.2019.101741 .
[82] L. Martirano, G. Parise, G. Greco, M. Manganelli, F. Massarella, M. Cianfrini, et al., Agregasi
pengguna di gedung perumahan/komersial yang dikelola oleh sistem manajemen energi
gedung (BEMS) , IEEE Trans. Ind.Apl. 55 (2019) 26–34, https://doi.org/10.1109/
TIA.2018.2866155.
[83] F. Sehar, M. Pipattanasomporn, S. Rahman, Otomasi terintegrasi untuk manajemen permintaan
yang optimal pada bangunan komersial dengan mempertimbangkan kenyamanan penghuni,
Kota dan Masyarakat Berkelanjutan 28 (2017) 16–29, https://doi.org/10.1016/ J.
scs.2016.08.016.
[84] Faia R, Pinto T, Abrishambaf O, Fernandes F, Vale Z, Corking JM, Kasus
berbasis penalaran dengan expert system dan swarm intelligence untuk menentukan
pengurangan energi pada manajemen energi gedung, Energy Build. 155 (2017) 269–281,
https://doi.org/10.1016/j.enbuild.2017.09.020.
[85] SL Arun, MP Selvan, Intelligent residential energy management system for dynamic demand
response in smart buildings, IEEE Systems Journal 12 (2018) 1329–1340, https://doi.org/
10.1109/JSYST.2017.2647759 .
[86] A. Jindal, N. Kumar, JJPC Rodrigues, Skema manajemen energi HVAC pintar berbasis heuristik
untuk gedung universitas, IEEE Transactions on Industrial Informatics 14 (2018) 5074–5086,
https://doi.org/10.1109/ TII.2018.2802454.
[87] A. Baniasadi, D. Habibi, O. Bass, MAS Masoum, Optimal real-time residential
manajemen energi termal untuk pemindahan beban puncak dengan verifikasi
eksperimental, IEEE Transactions on Smart Grid 10 (2019) 5587–5599, https://doi. org/10.1109/
TSG.2018.2887232.
[88] H. Dagdougui, A. Ouammi, LA Dessaint, Pengurangan beban puncak di gedung pintar yang
mengintegrasikan mikrogrid dan skema respons permintaan berbasis V2B, IEEE Systems
Journal 13 (2019) 3274–3282, https://doi.org/ 10.1109/JSYST.2018.2880864.
[89] I. Mauser, J. Müller, F. Allerding, H. Schmeck, Energi bangunan adaptif
manajemen dengan berbagai komoditas dan pengoptimalan evolusioner yang fleksibel, Renew.
Energi 87 (2016) 911–921, https://doi.org/10.1016/j. renene.2015.09.003.
_
ÿ
[90] BL Gorissen, I. Yanÿkoglu, D. den Hertog, Panduan praktis untuk pengoptimalan
yang kuat, Omega 53 (2015) 124–137, https://doi.org/10.1016/j. omega.2014.12.006.
[91] Z. Wang, L. Wang, AI Dounis, R. Yang, Sistem kontrol multi-agen dengan
model kenyamanan berbasis fusi informasi untuk bangunan pintar, Appl. Energi 99 (2012)
247–254, https://doi.org/10.1016/j.apenergy.2012.05.020.
[92] P. Rocha, A. Siddiqui, M. Stadler, Meningkatkan efisiensi energi melalui sistem manajemen energi
gedung pintar: perbandingan dengan langkah-langkah kebijakan, Energy Build. 88 (2015) 203–
213, https://doi.org/10.1016/j.enbuild.2014.11.077.
[93] J.-S. Chou, N.-T. Ngo, Analitik deret waktu menggunakan sistem pembelajaran mesin berbasis
pengoptimalan metaheuristik jendela geser untuk mengidentifikasi pola konsumsi energi
bangunan, Appl. Energi 177 (2016) 751–770, https://doi.org/ 10.1016/j.apenergy.2016.05.074.
[94] R. Carli, M. Dotoli, R. Pellegrino, L. Ranieri, Teknik pengambilan keputusan untuk
mengoptimalkan efisiensi energi stok bangunan, IEEE Transactions on Systems, Man, and
Cybernetics: Systems 47 (2017) 794–807, https://doi.org/10.1109/
TSMC.2016.2521836.
[95] MQ Raza, M. Nadarajah, C. Ekanayake, Ramalan permintaan bangunan bioklimatik
terintegrasi PV menggunakan kerangka ansambel, Appl. Energi 208 (2017) 1626–1638,
https://doi.org/10.1016/j.apenergy.2017.08.192.
[96] SK Howell, H. Wicaksono, B. Yuce, K. McGlinn, Y. Rezgui, Neuro yang berpusat pada pengguna
manajemen energi kabur melalui optimasi berbasis semantik, IEEE Transactions
on Cybernetics 49 (2019) 3278–3292, https://doi.org/10.1109/ TCYB.2018.2839700.
[97] JK Gruber, F. Huerta, P. Matatagui, M. Prodanovic, Manajemen energi gedung tingkat lanjut
berdasarkan optimasi horizon surut dua tahap, Appl. Energi 160 (2015) 194–205, https://doi.org/
10.1016/j.apenergy.2015.09.049.
[98] J. Aguilar, A. Garcÿes-Jimÿenez, N. Gallego-Salvador, JAGD Mesa, JM Gomez Pulido, Garcìa-
ÿ
Tejedor Aj, Arsitektur manajemen
Access
otonom
7 (2019)
untuk sistem
123402–123415,
multi-HVAChttps://doi.
di gedungorg/10.1109/
pintar, IEEE
ACCESS.2019.2937639.
[99] R. Yang, L. Wang, Optimalisasi multi-tujuan untuk pengambilan keputusan manajemen energi
dan kenyamanan dalam otomatisasi dan kontrol gedung, Kota dan Masyarakat Berkelanjutan
2 (2012) 1–7, https://doi.org/ 10.1016/j.scs.2011.09.001.
[100] Z. Xu, S. Liu, G. Hu, CJ Spanos, Koordinasi optimal sistem AC dan kipas pribadi untuk peningkatan
efisiensi energi gedung, Energy Build. 141 (2017) 308–320, https://doi.org/10.1016/
j.enbuild.2017.02.051.
[101] YF Du, L. Jiang, C. Duan, YZ Li, JS Smith, Penjadwalan konsumsi energi HVAC mempertimbangkan
kesalahan prakiraan cuaca melalui pendekatan yang kuat secara distribusi, IEEE Transactions
on Industrial Informatics 14 (2018) 846–857, https : //doi.org/10.1109/TII.2017.2702009.
[102] K. Ma, G. Hu, CJ Spanos, Manajemen energi mempertimbangkan operasi beban dan kesalahan
prakiraan dengan penerapan pada sistem HVAC, IEEE Transactions on Smart Grid 9 (2018)
605–614, https://doi.org/10.1109 /TSG.2016.2558319.
[103] J. Zhu, Y. Shen, Z. Song, D. Zhou, Z. Zhang, A. Kusiak, Profiling beban bangunan berbasis data
dan manajemen energi, Kota dan Masyarakat Berkelanjutan 49 (2019) 101587, https: / /doi.org/
10.1016/j.scs.2019.101587.
[104] A. Kumar, GP Hancke, Sistem penginderaan kenyamanan pintar hemat energi berdasarkan
standar IEEE 1451 untuk bangunan hijau, Sensor IEEE. J.14 (2014) 4245–4252, https://doi.org/
10.1109/JSEN.2014.2356651.
[105] MA Hannan, M Faisal, PJ Ker, LH Mun, K Parvin, TMI Mahlia, dkk.
Tinjauan internet tentang sistem manajemen energi bangunan berbasis energi: masalah
12
Jurnal Teknik Bangunan 33 (2021) 101692
dan rekomendasi, IEEE Access 6 (2018) 38997–39014, https://doi.org/ 10.1109/
ACCESS.2018.2852811.
[106] Y. Zhao, T. Li, X. Zhang, C. Zhang, Metode deteksi dan diagnosis kesalahan berbasis kecerdasan
buatan untuk membangun sistem energi: keuntungan, tantangan, dan masa depan, Perbarui.
Mempertahankan. Energy Rev. 109 (2019) 85–101, https://doi.org/ 10.1016/j.rser.2019.04.021.
[107] N. Djuric, V. Novakovic, F. Frydenlund, Estimasi kinerja sistem pemanas menggunakan alat
pengoptimalan dan data BEMS, Energy Build. 40 (2008) 1367–1376, https://doi.org/10.1016/
j.enbuild.2007.12.006.
[108] A. Capozzoli, MS Piscitelli, S. Brandi, D. Grassi, G. Chicco, Pembelajaran pola beban
otomatis dan deteksi anomali untuk meningkatkan manajemen energi di gedung pintar,
Energi 157 (2018) 336–352, https: // doi.org/10.1016/j. energi.2018.05.127.
[109] M. Gaur, S. Makonin, IV Bajiÿc, A. Majumdar, Evaluasi kinerja teknik untuk mengidentifikasi
konsumsi energi abnormal pada bangunan, IEEE Access 7 (2019) 62721–62733, https://
doi.org/ 10.1109/ACCESS.2019.2915641.
[110] JE Pakanen, T. Sundquist, Deteksi kesalahan berbantuan otomasi dari unit penanganan udara;
menerapkan metode tersebut di gedung nyata, Energy Build. 35 (2003) 193–202, https://doi.org/
10.1016/S0378-7788(02)00050-6.
[111] J. Ploennigs, M. Maghella, A. Schumann, B. Chen, Semantic diagnosis approach for buildings,
IEEE Transactions on Industrial Informatics 13 (2017) 3399–3410, https://doi.org/10.1109/TII .
2017.2726001.
[112] S. Deshmukh, S. Samouhos, L. Glicksman, L. Norford, Deteksi kesalahan di
bangunan komersial VAV AHU: studi kasus gedung akademik, Energy Build. 201 (2019)
163–173, https://doi.org/10.1016/j.enbuild.2019.06.051.
[113] D. Li, Y. Zhou, G. Hu, CJ Spanos, Mengidentifikasi kesalahan tak terlihat untuk bangunan pintar
dengan menggabungkan pengetahuan pakar dengan data, IEEE Trans. Otomatis. Sains. Eng.
16 (2019) 1412–1425, https://doi.org/10.1109/TASE.2018.2876611.
[114] MP Fanti, AM Mangini, M. Roccotelli, W. Ukovich, Manajemen energi distrik berdasarkan
kepuasan kenyamanan termal dan penyeimbangan daya waktu nyata, IEEE Trans.
Otomatis. Sains. Eng. 12 (2015) 1271–1284, https://doi.org/ 10.1109/TASE.2015.2472956.
[115] V. Pilloni, A. Floris, A. Meloni, L. Atzori, Manajemen energi rumah pintar
termasuk sumber terbarukan: a QoE-driven approach, IEEE Transactions on Smart Grid 9
(2018) 2006–2018, https://doi.org/10.1109/TSG.2016.2605182.ÿ
[116] HF Scherer, M. Pasamontes, JL Guzmán, JD Alvarez, E. Camponogara, J.
E. Normey-Rico, Manajemen energi gedung yang efisien menggunakan kontrol prediksi model
terdistribusi, J. Process Contr. 24 (2014) 740–749, https://doi.org/ 10.1016/j.jprocont.2013.09.024.
[117] M. Pal, AA Alyafi, S. Ploix, P. Reignier, S. Bandyopadhyay, Membuka Kedok
hubungan kausal laten dalam interaksi antara tindakan penghuni dan suasana dalam ruangan:
pandangan manajemen energi gedung, Appl. Energi 238 (2019) 1452–1470, https://doi.org/
10.1016/j.apenergy.2019.01.118.
[118] MF Habib, M. Ali, NA Sheikh, AW Badar, S. Mehmood, Membangun manajemen beban termal
melalui integrasi sistem penyerap udara yang dibantu matahari dan pengering udara:
pendekatan simulasi-optimasi berbasis model, Jurnal Teknik Bangunan 30 (2020), https://
doi.org/10.1016/j.jobe.2020.101279.
[119] B. Kim, KT Tse, Z. Chen, HS Park, Multi-objective optimization of a structure link for a linked tall
building system, Journal of Building Engineering 31 (2020), https://doi.org/10.1016 /
j.pekerjaan.2020.101382.
[120] BP Esther, KS Kumar, Sebuah survei tentang arsitektur Manajemen Sisi Permintaan
perumahan, pendekatan, model dan metode pengoptimalan, Renew. Mempertahankan.
Energy Rev. 59 (2016) 342–351, https://doi.org/10.1016/j.rser.2015.12.282.
[121] F. Ascione, N. Bianco, T. Iovane, GM Mauro, DF Napolitano, A. Ruggiano, dkk., Bangunan industri
nyata: pemodelan, kalibrasi, dan optimalisasi Pareto untuk retrofit energi, Jurnal Teknik
Bangunan 29 ( 2020), https://doi.org/10.1016/j.jobe.2020.101186 .
[122] Y. Chen, Z. Tong, Y. Zheng, H. Samuelson, L. Norford, Transfer pembelajaran dengan jaringan
saraf dalam untuk model kontrol prediktif HVAC dan ventilasi alami di gedung pintar, J. Clean.
Melecut. 254 (2020), https://doi.org/10.1016/j. jclepro.2019.119866.
[123] S. Seyedzadeh, FP Rahimian, S. Oliver, I. Glesk, B. Kumar, Model berbasis data ditingkatkan
dengan optimasi multi-tujuan untuk prediksi beban energi bangunan, Autom. Membangun. 116
(2020), https://doi.org/10.1016/j.autcon.2020.103188.
[124] V. Ciancio, F. Salata, S. Falasca, G. Curci, I. Golasi, P. de Wilde, Permintaan energi bangunan
dalam kerangka perubahan iklim: penyelidikan di seluruh Eropa, Kota dan Masyarakat
Berkelanjutan 60 ( 2020), https://doi.org/10.1016/j. scs.2020.102213.
[125] R. Figueiredo, P. Nunes, MJN Oliveira Panoa, MC Brito, Permintaan listrik stok bangunan tempat
tinggal negara di iklim masa depan - studi kasus Portugis, Energy Build. 209 (2020), https://
doi.org/10.1016/j.enbuild.2019.109694.
[126] H. Wolisz, TM Kull, D. Mueller, J. Kurnitski, Model prediksi pembelajaran mandiri
kontrol untuk aktivasi dinamis massa termal struktural di bangunan tempat tinggal, Energy
Build. 207 (2020), https://doi.org/10.1016/j.enbuild.2019.109542.
[127] Y. Zhou, S. Cao, R. Kosonen, M. Hamdy, Optimasi multi-tujuan dari sebuah
jaringan berbagi energi gedung-kendaraan interaktif dengan fleksibilitas energi tinggi
menggunakan algoritma arsip Pareto NSGA-II, Energy Convers. Kelola. 218 (2020), https://
doi.org/10.1016/j.enconman.2020.113017.
[128] K. Yan, Y. Zhang, Y. Yan, C. Xu, S. Zhang, Metode diagnosis kesalahan sensor dalam
membangun sistem pemantauan kesehatan struktural berdasarkan optimalisasi beban
komunikasi, Comput. Komunal. 159 (2020) 310–316, https://doi.org/10.1016/j.com.2020.05.026 .
[129] D. Li, Y. Zhou, G. Hu, CJ Spanos, Penanganan Pengukuran sensor yang tidak lengkap dalam
deteksi kesalahan dan diagnosis untuk membangun sistem HVAC, IEEE Trans. Otomatis. Sains.
Eng. 17 (2020) 833–846, https://doi.org/10.1109/TASE.2019.2948101.