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
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.
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
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.
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
2
Machine Translated by Google
Gagasan penting dari manajemen energi adalah tinjauan penggunaan energi yang
3.3. Pengelolaan permintaan konsisten, metodis, dan efisien, berfokus pada optimalisasi biaya energi terkait
karakteristik pengguna, kemampuan pembiayaan, permintaan energi, peluang
Manajemen Permintaan telah dicirikan menjadi lebih luas pendanaan, dan pengurangan emisi yang dicapai.
3
Machine Translated by Google
[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 Gambar 4. Pendekatan MPC berdasarkan prediksi konsumsi energi bangunan.
dari jaringan cerdas, yang memungkinkan administrator gedung untuk mengawasi dan
mengelola energi yang digunakan di gedung mereka, sehingga memangkas permintaan [62], dan meminimalkan konsumsi energi dan biaya energi membangun sistem HVAC
dan penggunaan energi [52]. Penggunaan BEMS sangat fleksibel baik di bangunan dengan sistem tenaga surya terkonsentrasi terpadu [63].
tempat tinggal maupun non-perumahan. Studi model black-box berfokus pada kontrol prediktif untuk boiler [64], kontrol prediktif
Ada dua macam metode BEMS: aktif dan pasif. Metode pasif didasarkan pada untuk sistem HVAC [65], beban puncak, kenyamanan termal, penyimpanan energi, dan
penyediaan strategi masa depan dan peningkatan kesadaran energi pengguna untuk energi terbarukan [66], membangun model kinerja energi [67], dan model untuk sumber
mempengaruhi dan mengurangi pemanfaatan energi pada bangunan secara tidak daya yang berkelanjutan [68]. Untuk model kotak abu-abu, penelitian difokuskan pada
langsung. Metode aktif didasarkan pada campuran infrastruktur aktuator dan sensor di pengoptimalan volume aliran udara dan setpoint suhu pasokan udara [69], suhu titik
dalam gedung. Mereka bergantung pada pengurangan konteks pemborosan energi keseimbangan instan [70], memperkirakan laju perubahan udara ventilasi [71], dan
melalui kontrol aktuator dan gadget gedung pintar [53]. Berdasarkan pendekatan aktif, pemodelan bangunan termal [72,73 ].
kami mengklasifikasikan BEMS menjadi empat strategi manajemen: model kontrol
prediktif, manajemen sisi permintaan, optimisasi dan deteksi kesalahan, dan diagnosis Berdasarkan studi MPC yang disebutkan di atas, ringkasan kontribusi dan
(lihat Gambar 3). 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
4.1. Model kontrol prediktif digunakan, berbagai macam teknik disajikan, tetapi tidak ada teknik khusus yang
menonjol. Untuk model white-box dan grey-box, perangkat lunak simulasi yang menonjol
Model Predictive Control (MPC) dapat meramalkan respons bangunan terhadap adalah MATLAB, TRNSYS, dan EnergyPlus. Dan bahasa pemrograman yang paling
permintaan kontrol, dan mengetahui cara untuk mengekornya dapat bertindak secara banyak digunakan untuk model black-box adalah Python dan R.
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 4.2. Manajemen Sisi Permintaan
dan pendekatan operasi bangunan serta meningkatkan kebutuhan dan administrasi
pasokan [54]. Demand Side Management (DSM) adalah pengaturan tindakan untuk meningkatkan
Tiga metode telah diambil untuk membangun prakiraan penggunaan energi (lihat sistem energi di sisi pengguna. Mulai dari peningkatan efisiensi energi dengan
Gambar 4). Metode berbasis fisika sering disebut sebagai white-box. memanfaatkan sumber daya yang lebih baik, tingkat energi yang cerdas dengan
Mereka menggunakan prosedur langsung yang bergantung pada perhitungan fisika motivator untuk pengaturan pemanfaatan tertentu, hingga pengelolaan berkelanjutan
untuk menjelaskan kinerja energi bangunan. Metode berbasis data, sering disebut yang modern dari sumber daya energi yang dialokasikan [74].
sebagai metode kotak hitam, pada prinsipnya bergantung pada evaluasi statistik dan DSM sering dipahami memiliki dua pendekatan (lihat Gambar 5): respon permintaan
kecerdasan buatan untuk mengevaluasi dan memperkirakan penggunaan energi (DR) dan efisiensi energi (EE) [75,76].
gedung. Metode hibrid, sering disebut metode kotak abu-abu, merujuk pada Dengan mengintegrasikan teknologi seperti pembangkitan sumber daya terbarukan,
penggabungan pendekatan kotak putih dan kotak hitam [55]. sistem penyimpanan energi, perangkat pintar, dan meter pintar, bangunan hemat energi
menjadi mungkin. Selain itu, ini menetapkan generasi terdistribusi, DSM, dan ketentuan
Ada penelitian tentang BEMS yang terkait dengan model kotak putih yang berfokus penyimpanan terdistribusi dari jaringan cerdas yang akan datang. Telah ada penelitian
pada kontrol suhu [56], perkiraan konsumsi energi [57], prediktif panas dan kelembaban tentang BEMS terkait dengan pendekatan efisiensi energi yang berfokus pada meteran
seluruh bangunan [58], kontrol optimal aktivitas pendinginan dan pemanasan [59] , pintar untuk rumah pintar [77], penilaian perilaku energi listrik [78], mengawasi
kelompok bangunan yang terhubung ke pompa panas [60], Heating Ventilation Air- penggunaan perangkat listrik gedung [79], perkiraan beban permintaan termal di gedung
Conditioning (HVAC) yang optimal dan operasi energi [61], fleksibilitas energi pintar [80], memanfaatkan massa termal di gedung [81], dan berbagai pengguna dengan
sistem distribusi umum [82].
4
Machine Translated by Google
linierisasi untuk model sistem adalah 100% solid. keseimbangan sesaat dari
[58] Model untuk meramalkan Hanya satu wilayah iklim [72] Penggunaan Perlu penjelajahan lebih lanjut
dan mengevaluasi tertentu yang dipertimbangkan pendekatan pemodelan kotak di ketinggian yang lebih
pemanfaatan energi pada untuk membangun parameter abu-abu untuk mengevaluasi menonjol. Hanya dievaluasi
bangunan non hunian pada dan bentuk desain. laju perubahan ventilasi udara. untuk kamar hingga 3 m.
tahap awal.
[59] Membangun model Kinerja bergantung pada [73] Teknik pemodelan Pemanfaatan dua metode
hygrothermal tergantung pada keadaan sistem bangunan bangunan hibrid untuk sistem pemodelan yang berbeda
pendekatan fisik untuk tertentu. HVAC dengan pengurangan membutuhkan seperangkat
melakukan kontrol yang optimal. upaya pemodelan dan keterampilan yang berbeda dari
[60] Model skema Studi simulasi tidak kalibrasi. pemodel mungkin menjadi
pengendali prediktif untuk mempertimbangkan penggunaan kendala untuk penggunaannya.
sistem pendinginan dan kumparan ventilasi di [74] Teknik dinamis berdasarkan Estimasi tidak mempertimbangkan
Kotak hitam [65] Prosedur Hanya berdasarkan suhu sistem Gambar 5. Pendekatan DSM berdasarkan utilitas pengguna akhir.
Model penerapan teknik kontrol prediktif pemanas, suhu internal, dan
berdasarkan jaringan saraf di suhu eksternal.
BEMS komersial untuk mencatat bahwa pendekatan efisiensi energi terutama digunakan pada
bangunan residensial dan non-hunian, sedangkan pendekatan respon
boiler.
permintaan digunakan pada bangunan non-hunian. Subsistem yang paling
[66] Kerangka Hanya dievaluasi pada satu
banyak diteliti dalam respon permintaan adalah sistem HVAC, sedangkan
pengoptimalan untuk jenis bangunan bukan tempat
mengendalikan sistem HVAC tinggal tertentu. pendekatan efisiensi energi dalam konsumsi peralatan dan sistem HVAC.
secara mahir di gedung. Mengenai teknik yang digunakan, berbagai macam teknik disajikan, tetapi
[67] Sistem kontrol yang optimal Kelembaban dan model
tidak ada teknik khusus yang menonjol. Untuk kedua pendekatan tersebut,
untuk menyinkronkan HVAC, kenyamanan termal berbasis perangkat lunak simulasi yang menonjol adalah MATLAB.
penyimpanan energi baterai, suhu yang dapat digunakan
dan pembangkit terbarukan. dikeluarkan dari sistem
kontrol. 4.3. Optimasi
[68] Sebuah metodologi Metodologi ini hanya
untuk menggambarkan dievaluasi pada koefisien
Ada beberapa cara untuk menangani pengoptimalan di EMS dan masalah
dan menilai model kinerja kinerja sistem HVAC.
energi bangunan.
terkaitnya. EMS dan unsur-unsurnya dapat ditingkatkan untuk tujuan yang
[69] Teknik kontrol prediktif jaringan Hanya dievaluasi pada sangat bervariasi dan pada tingkat konsep yang berbeda [89]. Berdasarkan
saraf untuk manajemen energi bangunan tempat tinggal. permasalahan ketidakpastian data, optimasi memiliki dua pendekatan yaitu
di gedung tanpa energi.
robust dan stochastic optimization (lihat Gambar 6).
Stochastic Optimization (SO) berharap bahwa penyebaran prospek asli
Kotak Abu-abu [70] Kerangka kontrol Desain bergantung pada dari informasi yang meragukan harus diketahui atau dinilai. Jika kondisi ini
Model berbasis MPC direncanakan berbagai pencarian heuristik, terpenuhi dan formulasi ulang masalah optimisasi yang tidak pasti dapat
untuk mengurangi yang mungkin sulit ditingkatkan
penggunaan energi di non jika a
dilakukan secara komputasi, maka SO adalah cara untuk menangani masalah
optimisasi yang dipertanyakan dalam jangkauan [ 90]. Ada studi tentang BEMS
yang terkait dengan a
5
Machine Translated by Google
D. Mariano-Hernandez dkk.
ÿ
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.
pendekatan stokastik yang berfokus pada memaksimalkan indeks kenyamanan Pendekatan berbasis data menyelesaikan tantangan FDD dengan
menggunakan konsumsi daya minimum [91], langkah-langkah kebijakan yang memanfaatkan kecerdasan buatan. Dengan informasi pelatihan yang memadai,
efektif [92], mengidentifikasi pola konsumsi energi [93], memaksimalkan kinerja tugas deteksi kesalahan adalah untuk memutuskan apakah contoh informasi
efisiensi energi umum [94], prediksi permintaan beban PV terintegrasi cerdas pengawasan seperti informasi pelatihan tipikal [106].
bangunan [95], dan penghematan energi melalui analitik aktuator dan sumber Ada penelitian tentang BEMS yang terkait dengan pendekatan berbasis penggerak
informasi [96]. yang berfokus pada penyebab kesalahan pada sistem pemanas [107] dan
Robust Optimization (RO), tidak menganggap bahwa penyebaran prospek mengenali pola operasi yang tidak teratur [108,109]. Pendekatan berbasis
diketahui, namun mengharapkan bahwa ketidakpastian dalam formasi berada pengetahuan yang digerakkan bergantung pada spesialis untuk mengenali dan
dalam apa yang disebut kumpulan ketidakpastian. Selain itu, adaptasi mendasar mendeteksi kesalahan secara lebih layak dan dapat diandalkan daripada sebagian
dari RO menganggap pembatasan keras, yaitu, pelanggaran pembatasan tidak besar pendekatan FDD saat ini, terutama dalam kasus di mana data analitik kurang
dapat diizinkan untuk setiap pemahaman informasi dalam set ketidakpastian [90]. dan tidak pasti. Ada penelitian tentang BEMS yang terkait dengan
Ada studi tentang BEMS terkait dengan pendekatan yang kuat yang berfokus pada pendekatan berbasis pengetahuan yang berfokus pada analisis analitik untuk unit
perencanaan optimal komponen sistem energi lokal [97], mengawasi sistem multi- penanganan udara (AHU) [110], mengenali alasan potensial konsistensi untuk
HVAC [98], mengelola kenyamanan penghuni dan pemanfaatan energi [99], AHU [111], membedakan dan menilai kesalahan yang dipilih dalam sistem
koordinasi sistem pendingin dan kipas individu [100], dan penggunaan energi pendingin [112], dan membedakan cacat yang tidak terdeteksi [113].
dengan kesalahan prediksi [101,102]. Berdasarkan studi tersebut di atas dalam deteksi dan diagnosis kesalahan,
ringkasan kontribusi dan keterbatasannya disajikan pada Tabel 4.
Berdasarkan studi optimasi tersebut di atas, ringkasan kontribusi dan Perlu juga dicatat bahwa kedua pendekatan tersebut terutama digunakan pada
batasannya disajikan pada Tabel 3. Perlu juga dicatat bahwa pendekatan stokastik bangunan bukan tempat tinggal. Subsistem yang paling banyak diteliti dalam
terutama digunakan di perumahan dan pendekatan berbasis pengetahuan telah menjadi sistem HVAC, sedangkan data didorong
6
Machine Translated by Google
Tabel 3
Ringkasan makalah penelitian sebelumnya, kontribusinya, dan keterbatasannya.
reguler.
[94] Metodologi Tidak mempertimbangkan
pengoptimalan untuk optimalisasi pemanfaatan energi
memperkirakan berdasarkan pola pemakaian.
pemanfaatan energi
gedung secara real-time.
[95] Strategi bantuan pilihan Teknik ini membutuhkan arti bobot
yang membedakan pengaturan kriteria, yang berarti pengguna
ideal intersesi retrofit dalam stok harus mampu memberikan skala
bangunan. nilai kardinal globalnya.
Gambar 7. Teknik deteksi kesalahan di bidang BEMS.
dengan analitik lanjutan. berdasarkan kekurangan sensor fungsional air, model keseimbangan.
dalam sistem pemanas hidronik.
Kokoh [98] Sebuah metode yang Metode ini diuji pada hotel
7
Machine Translated by Google
D. Mariano-Hernandez dkk.
ÿ
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
Gambar 10. Perbandingan literatur yang ditinjau antara strategi manajemen pada tipe
bangunan.
Gambar 8. Perbandingan literatur yang ditinjau berdasarkan tipe bangunan. Isu energi pada bangunan telah membuat perubahan berkala yang penting dalam
strategi untuk menangani konfigurasi/retrofit bangunan [121]. Dalam kaitan ini, semua
digunakan tergantung pada kebutuhan yang diberikan oleh pengguna untuk setiap beban strategi manajemen menghadirkan tantangan masa depan yang harus dihadapi. Beberapa
terlepas dari momen [115]. khusus untuk setiap strategi sementara yang lain disajikan dalam beberapa.
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 ÿ Untuk metode kontrol berbasis model, sifat model yang mencirikan sistem dan elemen
interaksi penghuni sangat penting untuk memperkirakan konsumsi energi, tanpa bangunan sangat penting untuk memastikan pelaksanaan kontrol dan otomatisasi
penyelidikan semacam itu, ada tingkat kerentanan dan kesalahan yang tinggi [117]. bangunan cerdas yang dapat diterima [122]. Selain itu, keakuratan dan kewajaran
Meskipun harus diakui bahwa dalam penelitian terbaru, optimasi telah berkembang karena informasi dan koneksi yang diasumsikan darinya menjadi landasan kembali
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 kualitas [123].
tempat tinggal, strategi yang paling banyak digunakan adalah DSM (lihat Gambar 10), ÿ Kebutuhan energi benar-benar terkait dengan kondisi iklim setempat, oleh karena itu
alasannya mungkin karena pelanggan diperbolehkan untuk menentukan penggunaan mungkin wajar jika perubahan kondisi iklim dunia dan lokal di kemudian hari akan
energinya, membantu pemasok energi untuk membentuk kembali profil beban dan mengarah ke
menurunkan permintaan beban puncak. DSM dalam EMS konvensional menggunakan perkembangan kebutuhan energi tahunan untuk stok bangunan saat ini [124].
metode khusus sistem dan menangani sejumlah beban yang dapat dikelola yang telah Permintaan bangunan tempat tinggal akan dipengaruhi oleh perubahan lingkungan
ditentukan sebelumnya dari jenis yang dibatasi [120]. karena perluasan suhu normal, batas iklim, dan perubahan selanjutnya pada
kebutuhan pemanasan dan pendinginan ruang [125].
Bangunan tempat tinggal dan non tempat tinggal memiliki faktor umum yang harus
diperhatikan untuk penggunaan energi yang efisien, yaitu perilaku penghuni, yang akan ÿ Perubahan dalam sistem pasokan energi mendorong tugas mengkoordinasikan
menentukan bagaimana sistem seharusnya bekerja. Prediksi perilaku penghuni adalah pembangkit energi berkelanjutan yang sangat berfluktuasi dan dapat berubah
tugas yang sulit di gedung karena akan tergantung pada cara berpikir penghuni dan dengan permintaan energi yang masih kuat. Ini mendorong permintaan yang
tujuan gedung. meningkat untuk penyimpanan dan fleksibilitas permintaan [126]. Oleh karena itu,
Karena itu, teknologi seperti pembelajaran mesin telah terbukti 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].
9
Machine Translated by Google
D. Mariano-Hernandez dkk.
ÿ
sistem komunikasi semakin dibutuhkan. Selain itu, kebutuhan akan model prediksi [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/
untuk tugas-tugas tertentu dalam bangunan merupakan topik yang menarik untuk
j.ijepes.2011.06.034.
setiap strategi manajemen. [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.
7. Kesimpulan
[10] A. Seeam, D. Laurenson, A. Usmani, Mengevaluasi potensi simulasi
sistem manajemen energi berbantuan: kasus untuk pengoptimalan pemanas listrik, Energy Build.
Makalah ini menyajikan ikhtisar strategi yang sedang berlangsung di bidang 174 (2018) 579–586, https://doi.org/10.1016/j. enbuild.2018.06.063.
sistem manajemen energi bangunan aktif. Artikel yang terkait dengan strategi
[11] S. Rotger-Griful, U. Welling, RH Jacobsen, Implementasi sistem manajemen energi bangunan untuk
manajemen yang berbeda untuk BEMS seperti MPC, DSM, Optimasi, dan FDD dalam respon permintaan perumahan, Microprocess. Mikrosistem. 55 (2017) 100–110, https://doi.org/
hal bangunan tempat tinggal dan non-perumahan dievaluasi. Subsistem bangunan 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
dan teknik yang digunakan untuk setiap jenis strategi ditinjau. Juga, perangkat lunak
pengiriman sinergis sumber-beban-penyimpanan untuk energi bangunan sistem manajemen
yang digunakan untuk memvalidasi odologi met dievaluasi. Makalah ini ditutup dengan berdasarkan respons permintaan harga TOU, IEEE Trans.
diskusi tentang hasil yang ditemukan di setiap strategi, pelanggaran penelitian, dan 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
pedoman penelitian di masa depan.
strategi untuk mengurangi penggunaan energi gedung, Renew. Mempertahankan. Energy Rev.
96 (2018) 1–10, https://doi.org/10.1016/j.rser.2018.07.019.
Seperti yang ditemukan dalam ulasan, sebagian besar studi berfokus pada sistem [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/
HVAC, memprioritaskan hanya untuk mengurangi konsumsi energi dari sistem ini
j.rser.2017.08.019.
tetapi mengesampingkan subsistem bangunan lainnya, yang mungkin menunjukkan [15] J. Pan, R. Jain, S. Paul, Survei efisiensi energi di gedung dan jaringan mikro menggunakan teknologi
konsumsi yang lebih tinggi tergantung pada tujuan bangunan tersebut. Hasil dari jaringan, Survei & Tutorial Komunikasi IEEE 16 (2014) 1709–1731, https://doi.org/10.1109 /
makalah ini menunjukkan bahwa beberapa bidang penelitian mungkin memerlukan SURV.2014.060914.00089.
[16] PH Shaikh, NBM Nor, P. Nallagownden, I. Elamvazuthi, T. Ibrahim, Kontrol dan manajemen multi-
lebih banyak pertimbangan: model prediksi konsumsi energi untuk subsistem yang tujuan yang cerdas untuk bangunan hemat energi yang cerdas, Int.
berbeda, manajemen permintaan yang mempertimbangkan beban baru seperti J.Electr. Sistem Energi Daya. 74 (2016) 403–409, https://doi.org/10.1016/j. ijepes.2015.08.006.
kendaraan listrik, metode yang menyertakan perilaku penghuni berdasarkan data
[17] L. Wang, Z. Wang, R. Yang, Intelligent multiagent control system for energy and comfort management
nyata dan metodologi yang dapat diterapkan baik untuk bangunan tempat tinggal
in smart and sustainable buildings, IEEE Transactions on Smart Grid 3 (2012) 605–617, https://
maupun bukan tempat tinggal, dengan mempertimbangkan semua sub sistem. Arah doi.org /10.1109/TSG.2011.2178044.
penelitian di masa depan dapat mengarah pada peningkatan yang signifikan di area [18] J. Reynolds, Y. Rezgui, A. Kwan, S. Piriou, Tingkat zona, membangun energi
optimasi yang menggabungkan jaringan saraf tiruan, algoritme genetik, dan kontrol prediksi
ini dan di luarnya termasuk teknik pembelajaran mesin dan model perilaku penghuni.
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
Deklarasi kepentingan bersaing 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
Para penulis menyatakan bahwa mereka tidak memiliki kepentingan keuangan penjadwalan untuk membangun sistem manajemen energi, Energy Build. 75 (2014) 239–248,
yang bersaing atau hubungan pribadi yang dapat mempengaruhi pekerjaan yang https://doi.org/10.1016/j.enbuild.2014.02.008.
[21] CO Adika, L. Wang, Penjadwalan alat otonom untuk manajemen energi rumah tangga, IEEE
dilaporkan dalam makalah ini.
Transactions on Smart Grid 5 (2014) 673–682, https://doi. org/10.1109/TSG.2013.2271427.
Pengakuan [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.
CYTED, nomor hibah: 518RT0558. [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 .
Lampiran A. Data tambahan
[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/
Data tambahan untuk artikel ini dapat ditemukan online di https://doi. j.energy.2015.02.073 .
[25] Z. Xu, X. Guan, Q. Jia, J. Wu, D. Wang, S. Chen, Analisis kinerja dan
org/10.1016/j.jobe.2020.101692.
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.
Referensi
[26] EC Manasseh, S. Ohno, T. Yamamoto, A. Mvuma, Sisi permintaan terdistribusi
optimalisasi manajemen untuk pengguna multi-perumahan dengan strategi produksi dan
[1] S. Shan, B. Cao, Z. Wu, Peramalan konsumsi listrik jangka pendek bangunan menggunakan
penyimpanan energi, J. Eng. 2014 (2014) 672–679, https://doi.org/10.1049/joe.2014.0199 .
model ansambel baru, IEEE Access 7 (2019) 88093–88106, https://doi.org/10.1109/
AKSES.2019.2925740.
[27] S. Sharma, Y. Xu, A. Verma, BK Panigrahi, Manajemen multienergi yang terkoordinasi dengan
[2] M. Ashouri, F. Haghighat, BCM Fung, H. Yoshino, Pengembangan prosedur peringkat untuk
waktu dari gedung pintar di bawah ketidakpastian, IEEE Transactions on Industrial
evaluasi kinerja energi gedung berdasarkan perilaku penghuni, Energy Build. 183 (2019) 659–
Informatics 15 (2019) 4788–4798, https://doi.org/ 10.1109/ TII.2019.2901120.
671, https://doi.org/10.1016/j. enbuild.2018.11.050.
[28] D. Lazos, AB Sproul, M. Kay, Optimalisasi manajemen energi di bangunan komersial dengan input
[3] RG Junker, AG Azar, RA Lopes, KB Lindberg, G. Reynders, R. Relan, dkk., Mencirikan fleksibilitas
prakiraan cuaca: review, Renew. Mempertahankan. Energy Rev. 39 (2014) 587–603, https://
energi bangunan dan distrik, Appl. Energi 225 (2018) 175–182, https://doi.org/10.1016/
doi.org/10.1016/j.rser.2014.07.053.
j.apenergy.2018.05.037.
[29] F. Wei, Y. Li, Q. Sui, X. Lin, L. Chen, Z. Chen, et al., Sistem penyimpanan energi termal baru di
[4] H. Doukas, KD Patlitzianas, K. Iatropoulos, J. Psarras, Sistem manajemen energi bangunan
gedung pintar berdasarkan material perubahan fasa, IEEE Transactions on Smart Kisi 10
cerdas menggunakan kumpulan aturan, Build. Mengepung. 42 (2007) 3562–3569, https://
(2019) 2846–2857, https://doi.org/10.1109/ TSG.2018.2812160.
doi.org/10.1016/j.buildenv.2006.10.024.
[5] M. Al-Rakhami, A. Gumaei, A. Alsanad, A. Alamri, MM Hassan, Pendekatan pembelajaran
[30] T. Cui, S. Chen, Y. Wang, Q. Zhu, S. Nazarian, M. Pedram, Kerangka kerja penjadwalan bersama
ansambel untuk prediksi beban energi yang akurat pada bangunan tempat tinggal, IEEE Access
energi yang optimal untuk gedung pintar, Integrasi 58 (2017) 528–537, https: // doi.org/10.1016/
7 (2019) 48328–48338, https: / /doi.org/10.1109/ ACCESS.2019.2909470.
j.vlsi.2016.10.009.
[31] N. Chakraborty, A. Mondal, S. Mondal, Penjadwalan cerdas perangkat termostatik untuk
[6] W. Wang, T. Hong, N. Li, RQ Wang, J. Chen, Menghubungkan energi-cyber-fisik
manajemen energi yang efisien dalam jaringan cerdas, IEEE Transactions on Industrial
sistem dengan prediksi dan interpretasi hunian melalui klasifikasi ansambel berbasis probe WiFi,
Informatics 13 (2017) 2899–2910, https://doi.org/10.1109 /
Appl. Energi 236 (2019) 55–69, https://doi.org/ 10.1016/j.apenergy.2018.11.079. TII.2017.2695241.
[32] J. Agüero, F. Rodríguez, A. Gimÿenez, Manajemen energi berdasarkan
[7] D. Bonilla, MG Samaniego, R. Ramos, H. Campbell, Alat pemantauan praktis dan murah untuk
konsep produktivitas, Renew. Mempertahankan. Energy Rev. 22 (2013) 92–100, https://doi.org/
membangun sistem manajemen energi menggunakan instrumentasi virtual, Kota dan
10.1016/j.rser.2013.01.040 .
Masyarakat Berkelanjutan 39 (2018) 155–162, https: // doi. org/10.1016/j.scs.2018.02.009.
10
Machine Translated by Google
D. Mariano-Hernandez dkk.
ÿ
[33] SMH Ali, M. Lenzen, J. Huang, Pergeseran beban AC di bangunan tempat tinggal: Bangun Energi. 85 (2014) 246–255, https://doi.org/10.1016/j.
manfaat untuk jaringan listrik terintegrasi rendah karbon, IET Renew. Pembangkit enbuild.2014.07.096.
Listrik. 12 (2018) 1314–1323, https://doi.org/10.1049/iet-rpg.2017.0859. [58] S. Salakij, N. Yu, S. Paolucci, P. Antsaklis, Kontrol Prediktif Berbasis Model untuk
[34] M. Collotta, G. Pau, Pendekatan manajemen energi baru untuk rumah pintar menggunakan membangun manajemen energi. I: pemodelan energi dan kontrol optimal, Energy Build.
bluetooth energi rendah, IEEE J. Sel. Daerah. Komunal. 33 (2015) 2988–2996, https:// 133 (2016) 345–358, https://doi.org/10.1016/j.enbuild.2016.09.044.
doi.org/10.1109/JSAC.2015.2481203 . [59] A Schirrer, M Brandstetter, I Leobner, S Hauer, M Kozek, Model nonlinier
[35] Z. Zhu, S. Lambotharan, WH Chin, Z. Fan, Optimalisasi teori permainan kontrol prediktif untuk sistem pemanas dan pendingin gedung perkantoran hemat
kerangka kerja untuk manajemen permintaan rumah yang menggabungkan sumber daya energi, Energy Build. 125 (2016) 86–98, https://doi.org/10.1016/j.
energi lokal, IEEE Transactions on Industrial Informatics 11 (2015) 353–362, https:// enbuild.2016.04.029.
doi.org/ 10.1109/TII.2015.2390035. [60] A. Staino, H. Nagpal, B. Basu, Koperasi optimalisasi energi bangunan
[36] MH Rahim, A. Khalid, N. Javaid, M. Alhussein, K. Aurangzeb, ZA Khan, Bangunan pintar sistem dalam kerangka kendali prediktif model ekonomi, Energy Build. 128 (2016) 713–
hemat energi menggunakan koordinasi antar peralatan yang menghasilkan data besar, 722, https://doi.org/10.1016/j.enbuild.2016.07.009.
IEEE Access 6 (2018) 34670–34690, https: / /doi.org/10.1109/ [61] G. Bianchini, M. Casini, D. Pepe, A. Vicino, GG Zanvettor, Pendekatan kontrol prediktif
AKSES.2018.2805849. model terintegrasi untuk HVAC optimal dan operasi penyimpanan energi di gedung
[37] D. Dietrich, D. Bruckner, G. Zucker, P. Palensky, Komunikasi dan berskala besar, Appl. Energi 240 (2019) 327–340, https://doi.org/10.1016/
perhitungan dalam bangunan: pengenalan singkat dan ikhtisar, IEEE Trans. Ind. j.apenergy.2019.01.187 .
Elektron. 57 (2010) 3577–3584, https://doi.org/10.1109/TIE.2010.2046570. [62] R. Ruusu, S. Cao, B. Manrique Delgado, A. Hasan, Kuantifikasi langsung dari
[38] TR Whiffen, S. Naylor, J. Hill, L. Smith, PA Callan, M. Gillott, et al., Tinjauan konsep fleksibilitas energi multi-sumber di bangunan tempat tinggal menggunakan pengontrol
komunikasi saluran listrik dalam membangun sistem manajemen energi untuk skala kecil tingkat tinggi prediktif model baru, Energy Convers. Kelola. 180 (2019) 1109–1128, https://
hingga menengah non-domestik lingkungan binaan, Perbarui. Mempertahankan. doi.org/10.1016/j.enconman.2018.11.026.
Energy Rev. 64 (2016) 618–633, https://doi.org/10.1016/j.rser.2016.06.069. [63] M. Toub, CR Reddy, M. Razmara, M. Shahbakhti, RD Robinett, G. Aniba,
[39] R. Yang, L. Wang, Manajemen energi bangunan multi-zona menggunakan kecerdasan Kontrol prediktif berbasis model untuk operasi MicroCSP optimal yang terintegrasi
kontrol dan optimalisasi, Kota dan Masyarakat Berkelanjutan 6 (2013) 16–21, https:// dengan sistem bangunan HVAC, Energy Convers. Kelola. 199 (2019) 111924, https://
doi.org/10.1016/j.scs.2012.07.001 . doi.org/10.1016/j.enconman.2019.111924 .
[40] AI Dounis, C. Caraiscos, Rekayasa sistem kontrol lanjutan untuk manajemen energi dan [64] M. Macarulla, M. Casals, N. Forcada, M. Gangolells, Implementasi kontrol prediktif dalam
kenyamanan di lingkungan bangunan—ulasan, Renew. Mempertahankan. sistem manajemen energi gedung komersial menggunakan jaringan saraf, Energy Build.
Energy Rev. 13 (2009) 1246–1261, https://doi.org/10.1016/j.rser.2008.09.015. 151 (2017) 511–519, https://doi.org/10.1016/j. enbuild.2017.06.027.
ÿ
[69] J. Gomez-Romero,
~
CJ Fernandez-Basso, MV Cambronero, M. Molina-Solana, J.
[46] M. Magno, T. Polonelli, L. Benini, E. Popovici, Solusi jaringan sensor nirkabel berbiaya Campana, denganMD Ruiz,
modeletkompleksitas
al., Algoritmepenuh
probabilistik
di bangunan
untuk non-perumahan,
kontrol prediktif R.
IEEE
rendah dan sangat terukur untuk mencapai kontrol lampu LED cerdas untuk bangunan Access 7 (2019) 38748–38765, https: / /doi.org/10.1109/ACCESS.2019.2906311.
hijau, Sensor IEEE. J.15 (2015) 2963–2973, https://doi.org/10.1109/ ÿ
11
Machine Translated by Google
D. Mariano-Hernandez dkk.
ÿ
[81] A. Ghofrani, SD Nazemi, MA Jafari, sinkronisasi beban HVAC di smart dan rekomendasi, IEEE Access 6 (2018) 38997–39014, https://doi.org/ 10.1109/
membangun komunitas, Kota dan Masyarakat Berkelanjutan 51 (2019) 101741, https://doi.org/ ACCESS.2018.2852811.
10.1016/j.scs.2019.101741 . [106] Y. Zhao, T. Li, X. Zhang, C. Zhang, Metode deteksi dan diagnosis kesalahan berbasis kecerdasan
[82] L. Martirano, G. Parise, G. Greco, M. Manganelli, F. Massarella, M. Cianfrini, et al., Agregasi buatan untuk membangun sistem energi: keuntungan, tantangan, dan masa depan, Perbarui.
pengguna di gedung perumahan/komersial yang dikelola oleh sistem manajemen energi Mempertahankan. Energy Rev. 109 (2019) 85–101, https://doi.org/ 10.1016/j.rser.2019.04.021.
gedung (BEMS) , IEEE Trans. Ind.Apl. 55 (2019) 26–34, https://doi.org/10.1109/
TIA.2018.2866155. [107] N. Djuric, V. Novakovic, F. Frydenlund, Estimasi kinerja sistem pemanas menggunakan alat
[83] F. Sehar, M. Pipattanasomporn, S. Rahman, Otomasi terintegrasi untuk manajemen permintaan pengoptimalan dan data BEMS, Energy Build. 40 (2008) 1367–1376, https://doi.org/10.1016/
yang optimal pada bangunan komersial dengan mempertimbangkan kenyamanan penghuni, j.enbuild.2007.12.006.
Kota dan Masyarakat Berkelanjutan 28 (2017) 16–29, https://doi.org/10.1016/ J. [108] A. Capozzoli, MS Piscitelli, S. Brandi, D. Grassi, G. Chicco, Pembelajaran pola beban
scs.2016.08.016. otomatis dan deteksi anomali untuk meningkatkan manajemen energi di gedung pintar,
[84] Faia R, Pinto T, Abrishambaf O, Fernandes F, Vale Z, Corking JM, Kasus Energi 157 (2018) 336–352, https: // doi.org/10.1016/j. energi.2018.05.127.
berbasis penalaran dengan expert system dan swarm intelligence untuk menentukan
pengurangan energi pada manajemen energi gedung, Energy Build. 155 (2017) 269–281, [109] M. Gaur, S. Makonin, IV Bajiÿc, A. Majumdar, Evaluasi kinerja teknik untuk mengidentifikasi
https://doi.org/10.1016/j.enbuild.2017.09.020. konsumsi energi abnormal pada bangunan, IEEE Access 7 (2019) 62721–62733, https://
[85] SL Arun, MP Selvan, Intelligent residential energy management system for dynamic demand doi.org/ 10.1109/ACCESS.2019.2915641.
response in smart buildings, IEEE Systems Journal 12 (2018) 1329–1340, https://doi.org/ [110] JE Pakanen, T. Sundquist, Deteksi kesalahan berbantuan otomasi dari unit penanganan udara;
10.1109/JSYST.2017.2647759 . menerapkan metode tersebut di gedung nyata, Energy Build. 35 (2003) 193–202, https://doi.org/
[86] A. Jindal, N. Kumar, JJPC Rodrigues, Skema manajemen energi HVAC pintar berbasis heuristik 10.1016/S0378-7788(02)00050-6.
untuk gedung universitas, IEEE Transactions on Industrial Informatics 14 (2018) 5074–5086, [111] J. Ploennigs, M. Maghella, A. Schumann, B. Chen, Semantic diagnosis approach for buildings,
https://doi.org/10.1109/ TII.2018.2802454. IEEE Transactions on Industrial Informatics 13 (2017) 3399–3410, https://doi.org/10.1109/TII .
[87] A. Baniasadi, D. Habibi, O. Bass, MAS Masoum, Optimal real-time residential 2017.2726001.
manajemen energi termal untuk pemindahan beban puncak dengan verifikasi [112] S. Deshmukh, S. Samouhos, L. Glicksman, L. Norford, Deteksi kesalahan di
eksperimental, IEEE Transactions on Smart Grid 10 (2019) 5587–5599, https://doi. org/10.1109/ bangunan komersial VAV AHU: studi kasus gedung akademik, Energy Build. 201 (2019)
TSG.2018.2887232. 163–173, https://doi.org/10.1016/j.enbuild.2019.06.051.
[88] H. Dagdougui, A. Ouammi, LA Dessaint, Pengurangan beban puncak di gedung pintar yang [113] D. Li, Y. Zhou, G. Hu, CJ Spanos, Mengidentifikasi kesalahan tak terlihat untuk bangunan pintar
mengintegrasikan mikrogrid dan skema respons permintaan berbasis V2B, IEEE Systems dengan menggabungkan pengetahuan pakar dengan data, IEEE Trans. Otomatis. Sains. Eng.
Journal 13 (2019) 3274–3282, https://doi.org/ 10.1109/JSYST.2018.2880864. 16 (2019) 1412–1425, https://doi.org/10.1109/TASE.2018.2876611.
[89] I. Mauser, J. Müller, F. Allerding, H. Schmeck, Energi bangunan adaptif [114] MP Fanti, AM Mangini, M. Roccotelli, W. Ukovich, Manajemen energi distrik berdasarkan
manajemen dengan berbagai komoditas dan pengoptimalan evolusioner yang fleksibel, Renew. kepuasan kenyamanan termal dan penyeimbangan daya waktu nyata, IEEE Trans.
Energi 87 (2016) 911–921, https://doi.org/10.1016/j. renene.2015.09.003. Otomatis. Sains. Eng. 12 (2015) 1271–1284, https://doi.org/ 10.1109/TASE.2015.2472956.
_
ÿ
[90] BL Gorissen, I. Yanÿkoglu, D. den Hertog, Panduan praktis untuk pengoptimalan [115] V. Pilloni, A. Floris, A. Meloni, L. Atzori, Manajemen energi rumah pintar
yang kuat, Omega 53 (2015) 124–137, https://doi.org/10.1016/j. omega.2014.12.006. 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
[91] Z. Wang, L. Wang, AI Dounis, R. Yang, Sistem kontrol multi-agen dengan [116] HF Scherer, M. Pasamontes, JL Guzmán, JD Alvarez, E. Camponogara, J.
model kenyamanan berbasis fusi informasi untuk bangunan pintar, Appl. Energi 99 (2012) E. Normey-Rico, Manajemen energi gedung yang efisien menggunakan kontrol prediksi model
247–254, https://doi.org/10.1016/j.apenergy.2012.05.020. terdistribusi, J. Process Contr. 24 (2014) 740–749, https://doi.org/ 10.1016/j.jprocont.2013.09.024.
[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– [117] M. Pal, AA Alyafi, S. Ploix, P. Reignier, S. Bandyopadhyay, Membuka Kedok
213, https://doi.org/10.1016/j.enbuild.2014.11.077. hubungan kausal laten dalam interaksi antara tindakan penghuni dan suasana dalam ruangan:
[93] J.-S. Chou, N.-T. Ngo, Analitik deret waktu menggunakan sistem pembelajaran mesin berbasis pandangan manajemen energi gedung, Appl. Energi 238 (2019) 1452–1470, https://doi.org/
pengoptimalan metaheuristik jendela geser untuk mengidentifikasi pola konsumsi energi 10.1016/j.apenergy.2019.01.118.
bangunan, Appl. Energi 177 (2016) 751–770, https://doi.org/ 10.1016/j.apenergy.2016.05.074. [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:
[94] R. Carli, M. Dotoli, R. Pellegrino, L. Ranieri, Teknik pengambilan keputusan untuk pendekatan simulasi-optimasi berbasis model, Jurnal Teknik Bangunan 30 (2020), https://
mengoptimalkan efisiensi energi stok bangunan, IEEE Transactions on Systems, Man, and doi.org/10.1016/j.jobe.2020.101279.
Cybernetics: Systems 47 (2017) 794–807, https://doi.org/10.1109/ [119] B. Kim, KT Tse, Z. Chen, HS Park, Multi-objective optimization of a structure link for a linked tall
TSMC.2016.2521836. building system, Journal of Building Engineering 31 (2020), https://doi.org/10.1016 /
[95] MQ Raza, M. Nadarajah, C. Ekanayake, Ramalan permintaan bangunan bioklimatik j.pekerjaan.2020.101382.
terintegrasi PV menggunakan kerangka ansambel, Appl. Energi 208 (2017) 1626–1638, [120] BP Esther, KS Kumar, Sebuah survei tentang arsitektur Manajemen Sisi Permintaan
https://doi.org/10.1016/j.apenergy.2017.08.192. perumahan, pendekatan, model dan metode pengoptimalan, Renew. Mempertahankan.
[96] SK Howell, H. Wicaksono, B. Yuce, K. McGlinn, Y. Rezgui, Neuro yang berpusat pada pengguna Energy Rev. 59 (2016) 342–351, https://doi.org/10.1016/j.rser.2015.12.282.
manajemen energi kabur melalui optimasi berbasis semantik, IEEE Transactions [121] F. Ascione, N. Bianco, T. Iovane, GM Mauro, DF Napolitano, A. Ruggiano, dkk., Bangunan industri
on Cybernetics 49 (2019) 3278–3292, https://doi.org/10.1109/ TCYB.2018.2839700. nyata: pemodelan, kalibrasi, dan optimalisasi Pareto untuk retrofit energi, Jurnal Teknik
Bangunan 29 ( 2020), https://doi.org/10.1016/j.jobe.2020.101186 .
[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/ [122] Y. Chen, Z. Tong, Y. Zheng, H. Samuelson, L. Norford, Transfer pembelajaran dengan jaringan
10.1016/j.apenergy.2015.09.049. saraf dalam untuk model kontrol prediktif HVAC dan ventilasi alami di gedung pintar, J. Clean.
[98] J. Aguilar, A. Garcÿes-Jimÿenez, N. Gallego-Salvador, JAGD Mesa, JM Gomez Pulido, Garcìa-
ÿ
Melecut. 254 (2020), https://doi.org/10.1016/j. jclepro.2019.119866.
Tejedor Aj, Arsitektur manajemen
Access
otonom
7 (2019)
untuk sistem
123402–123415,
multi-HVAChttps://doi.
di gedungorg/10.1109/
pintar, IEEE
ACCESS.2019.2937639. [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
[99] R. Yang, L. Wang, Optimalisasi multi-tujuan untuk pengambilan keputusan manajemen energi (2020), https://doi.org/10.1016/j.autcon.2020.103188.
dan kenyamanan dalam otomatisasi dan kontrol gedung, Kota dan Masyarakat Berkelanjutan [124] V. Ciancio, F. Salata, S. Falasca, G. Curci, I. Golasi, P. de Wilde, Permintaan energi bangunan
2 (2012) 1–7, https://doi.org/ 10.1016/j.scs.2011.09.001. dalam kerangka perubahan iklim: penyelidikan di seluruh Eropa, Kota dan Masyarakat
[100] Z. Xu, S. Liu, G. Hu, CJ Spanos, Koordinasi optimal sistem AC dan kipas pribadi untuk peningkatan Berkelanjutan 60 ( 2020), https://doi.org/10.1016/j. scs.2020.102213.
efisiensi energi gedung, Energy Build. 141 (2017) 308–320, https://doi.org/10.1016/
j.enbuild.2017.02.051. [125] R. Figueiredo, P. Nunes, MJN Oliveira Panoa, MC Brito, Permintaan listrik stok bangunan tempat
[101] YF Du, L. Jiang, C. Duan, YZ Li, JS Smith, Penjadwalan konsumsi energi HVAC mempertimbangkan tinggal negara di iklim masa depan - studi kasus Portugis, Energy Build. 209 (2020), https://
kesalahan prakiraan cuaca melalui pendekatan yang kuat secara distribusi, IEEE Transactions doi.org/10.1016/j.enbuild.2019.109694.
on Industrial Informatics 14 (2018) 846–857, https : //doi.org/10.1109/TII.2017.2702009. [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
[102] K. Ma, G. Hu, CJ Spanos, Manajemen energi mempertimbangkan operasi beban dan kesalahan Build. 207 (2020), https://doi.org/10.1016/j.enbuild.2019.109542.
prakiraan dengan penerapan pada sistem HVAC, IEEE Transactions on Smart Grid 9 (2018) [127] Y. Zhou, S. Cao, R. Kosonen, M. Hamdy, Optimasi multi-tujuan dari sebuah
605–614, https://doi.org/10.1109 /TSG.2016.2558319. jaringan berbagi energi gedung-kendaraan interaktif dengan fleksibilitas energi tinggi
[103] J. Zhu, Y. Shen, Z. Song, D. Zhou, Z. Zhang, A. Kusiak, Profiling beban bangunan berbasis data menggunakan algoritma arsip Pareto NSGA-II, Energy Convers. Kelola. 218 (2020), https://
dan manajemen energi, Kota dan Masyarakat Berkelanjutan 49 (2019) 101587, https: / /doi.org/ doi.org/10.1016/j.enconman.2020.113017.
10.1016/j.scs.2019.101587. [128] K. Yan, Y. Zhang, Y. Yan, C. Xu, S. Zhang, Metode diagnosis kesalahan sensor dalam
[104] A. Kumar, GP Hancke, Sistem penginderaan kenyamanan pintar hemat energi berdasarkan membangun sistem pemantauan kesehatan struktural berdasarkan optimalisasi beban
standar IEEE 1451 untuk bangunan hijau, Sensor IEEE. J.14 (2014) 4245–4252, https://doi.org/ komunikasi, Comput. Komunal. 159 (2020) 310–316, https://doi.org/10.1016/j.com.2020.05.026 .
10.1109/JSEN.2014.2356651.
[105] MA Hannan, M Faisal, PJ Ker, LH Mun, K Parvin, TMI Mahlia, dkk. [129] D. Li, Y. Zhou, G. Hu, CJ Spanos, Penanganan Pengukuran sensor yang tidak lengkap dalam
Tinjauan internet tentang sistem manajemen energi bangunan berbasis energi: masalah 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.
12