اثربخشی استفاده از فناوری‌های WiFi برای شناسایی و پیش‌بینی اشغال ساختمان - ساختمان سبز ایرانیان

  • Home
  • اثربخشی استفاده از فناوری‌های WiFi برای شناسایی و پیش‌بینی اشغال ساختمان

© MM Ouf و همکاران، منتشر شده توسط EDP Sciences، 2017

مجوز Creative Commonsاین یک مقاله با دسترسی آزاد است که تحت شرایط Creative Commons Attribution License ( http://creativecommons.org/licenses/by/4.0 ) توزیع شده است، که استفاده، توزیع و تکثیر نامحدود در هر رسانه را مجاز می‌کند، مشروط بر اینکه کار اصلی باشد. به درستی ذکر شده است.

1. معرفی

از آنجایی که ساختمان ها 20 تا 40 درصد مصرف انرژی در سراسر جهان را تشکیل می دهند.1 ]، تلاش برای کاهش مصرف انرژی آنها ضروری است. پیشرفت در پایداری ساختمان ها می تواند مصرف انرژی آنها را با بهبود پوشش ساختمان کاهش دهد. و سیستم های HVAC این سیستم ها تا 57 درصد از کل انرژی مصرفی ساختمان ها را مصرف می کنند.2 ]، و آنها را به مصرف کننده نهایی انرژی در ساختمان ها تبدیل می کند.

سیستم‌های تهویه مطبوع مبتنی بر حسگر و تقاضای کنترل‌شده به‌ویژه فرصتی عالی برای بهینه‌سازی مصرف انرژی ساختمان‌ها ارائه می‌کنند. این سیستم‌ها نرخ تهویه خود را بر اساس حسگرهایی قرار می‌دهند که می‌توانند برای تشخیص حضور یا عدم حضور سرنشینان استفاده شوند و بنابراین می‌توانند حداکثر تقاضای انرژی را تا ۲۳ درصد کاهش دهند.3 ]. در حال حاضر، اکثر سیستم‌های تهویه مطبوع با تقاضای کنترل شده مبتنی بر نظارت و کنترل سطوح دی اکسید کربن (CO 2 ) هستند. این به دلیل ارتباط بین سطوح CO 2 و اشغال است و آنها را به یک شاخص مهم برای اشغال تبدیل می کند.4 ]. با این حال، یکی از محدودیت‌های عمده سیستم‌های HVAC مبتنی بر CO2 ، هزینه‌های بالای نصب، بهره‌برداری و نگهداری آن‌ها، به ویژه برای مقاوم‌سازی ساختمان‌های موجود است.5 ].

در ساختمان‌های بزرگ غیرمسکونی، فناوری‌های WiFi جایگزینی برای سیستم‌های HVAC کنترل‌شده با تقاضا هستند. مطالعه Vaccari و Samouhos [6 ] فعالیت وای فای را در پردیس مؤسسه فناوری ماساچوست تجزیه و تحلیل کرد و پیشنهاد کرد که می تواند به عنوان یک پروکسی برای اشغال انسان استفاده شود. Vaccari و Samouhos [ 6 ] همچنین استفاده از داده های فعالیت WiFi را برای مدیریت انرژی ساختمان پیشنهاد کردند. یکی از مزیت های اصلی استفاده از داده های WiFi در دسترس بودن آن بدون هزینه اضافی برای مدیران و اپراتورهای ساختمان است. گزارش‌ها را می‌توان با استفاده از سیستم مدیریت شبکه WiFi در زمان نسبتاً کوتاهی تولید کرد، بنابراین نیازی به سرمایه‌گذاری در پرسنل، تجهیزات و مواد بر خلاف سایر فناوری‌ها مانند سنسورهای CO 2 را از بین می‌برد. علی‌رغم این مزایای بالقوه، استفاده از سیستم‌های HVAC مبتنی بر وای‌فای و کنترل‌شده با تقاضا محدود است.

هدف این تحقیق بررسی استفاده از اتصالات WiFi به عنوان شاخص اشغال به منظور اعتبارسنجی استفاده از آن برای مدیریت انرژی ساختمان است. اهمیت و اصالت این تحقیق از اولین مطالعه به دانش نویسنده است که به بررسی استفاده از داده های WiFi و غلظت CO 2 به طور همزمان برای تشخیص اشغال در زمان واقعی می پردازد. این امر باعث می شود که این تحقیق مورد توجه مالکان، مدیران و اپراتورهای ساختمان باشد که به دنبال بهبود مصرف انرژی ساختمان خود هستند.

2 پس زمینه

در ساختمان‌های بزرگ غیر مسکونی، پرداختن به کارایی انرژی سیستم‌های HVAC به یک اولویت تبدیل شده است. بهسازی‌هایی که با هدف بهبود کارایی سیستم‌های HVAC انجام می‌شوند، معمولاً بر ارتقای بویلرها و چیلرها یا افزودن سیستم‌های بازیابی گرما تمرکز می‌کنند. به ندرت این مقاوم‌سازی‌ها بر استفاده از سیستم‌های HVAC پاسخگو و کنترل‌شده با تقاضا متمرکز می‌شوند که با تغییرات زمان واقعی در اشغال ساختمان تنظیم می‌شوند [ 6 ]. مطالعات اخیر تخمین زده اند که این پس انداز می تواند بین 80000 تا 100000 دلار در سال در ساختمان های تجاری بزرگ باشد.7 ]. سیستم‌های تهویه مطبوع معمولاً به گونه‌ای برنامه‌ریزی می‌شوند که به‌جای تغییرات در سطوح اشغال داخلی، به شرایط آب و هوایی خارجی پاسخ دهند، علی‌رغم پتانسیل صرفه‌جویی 10 تا 40 درصدی در مصرف انرژی ساختمان‌ها [6 ] . به طور مشابه، مهم است که تأثیر تشخیص اشغال در زمان واقعی بر سایر برنامه‌ها، مانند برنامه‌ریزی تخلیه، و بهبود استفاده از فضا در ساختمان‌های بزرگ را تأیید کنیم.8 ].

بررسی ادبیات، تمرکز کمی بر مدیریت انرژی مبتنی بر اشغال و فناوری‌هایی که می‌توانند برای تعیین سطوح اشغال در زمان واقعی مورد استفاده قرار گیرند، نشان می‌دهد [ 6 ،9 ،10 ]. نقطه قوت هر فناوری در توانایی آن برای تعیین دقیق حضور، تعداد و فعالیت در زمان واقعی نهفته است.11 ]. این فناوری ها را می توان به چهار دسته مختلف به شرح زیر تقسیم کرد. (1) راه حل های تشخیص داده حضور مستقیم، (2) راه حل های مبتنی بر شبکه سیمی و راه حل های مرتبط با انرژی، (3) راه حل های مبتنی بر شبکه با نشان های دسترسی فعال یا غیرفعال، و (4) راه حل های مبتنی بر شبکه بی سیم [9 ] .

2.1 راه حل های تشخیص داده با حضور مستقیم

سیستم‌های تشخیص داده‌های حضور مستقیم حسگرهای مختلف (مانند تشخیص مادون قرمز، سنسورهای CO 2 ، سنسورهای فشار کف، سنسورهای مبتنی بر دوربین و صدا) را برای تشخیص اشغال در یک فضا یکپارچه می‌کنند. اغلب اوقات، این سیستم ها به زیرساخت های اضافی نیاز دارند، بنابراین هزینه های مرتبط را افزایش می دهند.12 ]. یکی از این فناوری‌ها، سنسورهای اشغال مادون قرمز غیرفعال (PIR) است که تفاوت انرژی گرمایی را در امتداد خط دید سنسور اندازه‌گیری می‌کند.13 ]. از طرف دیگر، حسگرهای اولتراسونیک، متشکل از یک فرستنده و گیرنده امواج مافوق صوت، حرکت سرنشین را از طریق سنجش انرژی صوتی [ 13 ] بدون نیاز به خط دید مستقیم تشخیص می‌دهند. هر دو روش فقط حضور سرنشینان را تشخیص می‌دهند، اما نمی‌توانند جزئیات بالاتری را در مورد تعداد سرنشینان یا سطح فعالیت آنها استخراج کنند [ 13 ]. PIR می تواند یک کنترل روشنایی مبتنی بر تقاضا به ویژه برای دفاتر خصوصی با نرخ اشغال حدود 27٪ باشد.14 ]. با این حال، نیاز به یک خط دید مستقیم بین سنسور و سرنشینان و تکیه بر حرکت تنها سرنشینان باعث می‌شود PIR برای فضاهای بزرگ مانند کلاس‌های دانشگاه کمتر کاربردی باشد [ 12 ،15 ].

به نظر می رسد استفاده از حسگرهای CO 2 برای اندازه گیری اشغال و مدیریت سیستم های HVAC یک عمل پذیرفته شده در صنعت باشد [ 5 ,16 –18 ]. صرفه جویی در انرژی به دلیل تهویه کنترل شده بر اساس تقاضای CO 2 می تواند تا 34٪ برسد [ 3 ]. ASHRAE 62.1:2013 [19 ] تصریح می کند که تفاوت بین سطوح غلظت CO 2 در داخل و خارج (معمولاً 300-400 ppm) نباید از 700 ppm تجاوز کند. همچنین مشخص می کند که میزان هوای تازه برای یک کلاس درس معمولی نباید کمتر از 3.8 لیتر در ثانیه در هر نفر باشد. هنگامی که سنسورهای CO 2 افزایش سطح CO 2 را فراتر از یک آستانه مشخص تشخیص دادند، کنترل های تهویه سیستم HVAC به طور خودکار فعال می شوند. مطالعه ای توسط کالی و همکاران. [20 ] دریافتند که حسگرهای CO 2 به طور دقیق اشغال را تا 80.6٪ در مناطق تهویه مکانیکی و طبیعی شناسایی می کنند. این مطالعه به این نتیجه رسید که مکان سنسورها و اطلاعات مربوط به نرخ هوای عرضه برای دقت استفاده از این راه حل ها حیاتی است.

اگرچه فیسک و همکاران. [21 ] رابطه ای بین سطوح غلظت CO 2 و تعداد سرنشینان پیدا کرد، یک تاخیر 20 دقیقه ای بین آنها مشاهده شد که نشان می دهد سرنشینان می توانند قبلاً در حالت ناراحتی باشند. یکی دیگر از محدودیت های سنسورهای CO 2 هزینه اضافی مربوط به عملکرد و نگهداری سنسورهای CO 2 است [ 5 ]. سنسورهای CO 2 همچنین مستعد تغییرات در سرعت هوا و تداخل گازهای دیگر هستند که بر دقت آنها تأثیر می گذارد.22 ،23 ].

2.2 راه حل های مبتنی بر شبکه سیمی و مرتبط با انرژی

این راه حل ها برای تشخیص حضور سرنشینان به زیرمترهای تجهیزات متکی هستند. نوع تجهیزات اندازه گیری شده (به عنوان مثال لپ تاپ) می تواند تعداد و فعالیت سرنشینان را نشان دهد. با این حال، برخی از مطالعات به عنوان مثال [24 –26 ] نشان می دهد که بیش از 50 درصد از ساکنان هنگام خروج از یک فضا، رایانه های خود را روشن می گذارند. به منظور رفع این نگرانی، Milenkovic و Amft [27 ] یک سیستم تشخیص اشغال دوگانه را پیشنهاد کرد که حسگرهای PIR و نمایشگرهای پلاگین را برای تجهیزات مختلف ترکیب می‌کرد. کنتورها به طور خاص تغییر مصرف انرژی را اندازه گیری می کنند، در حالی که سنسورهای PIR با تشخیص حضور سرنشینان، سیستم را تکمیل می کنند. دقت شمارش سرنشینان 87% و 78% به ترتیب برای دفاتر تک نفره در مقابل دفاتر مشترک یافت شد [ 27 ]. با این حال، این سیستم‌ها محدود به محیط‌های اداری هستند و نیاز به هزینه‌های قابل توجهی برای نصب دارند.28 ].

2.3 راه حل های مبتنی بر شبکه با نشان های دسترسی فعال یا غیرفعال

این راه‌حل‌ها شامل شناسایی فرکانس رادیویی (RFID)، کارت‌های کلیدی و برنامه‌های تلفن همراه است که می‌توانند حضور و شمارش سرنشینان را تشخیص دهند، اما فعالیت آن‌ها را نه. RFID یک فناوری تشخیص شی است که بر اساس تشخیص سیگنال و انتقال داده از طریق فرکانس رادیویی [29 ]. یک سیستم RFID از یک آنتن، یک خواننده و برچسب ها تشکیل شده است. برچسب حاوی اطلاعاتی است که وقتی در محدوده تشخیص خواننده باشد قابل شناسایی است [ 29 ،30 ]. برخلاف PIR، RFID برای تشخیص سرنشین نیازی به دید مستقیم ندارد، بنابراین می‌تواند سرنشینان ساکن و متحرک را شناسایی کند.31 ]. لی و همکاران [ 30 ] استفاده از RFID برای عملیات HVAC مبتنی بر تقاضا در ساختمان‌های اداری را بررسی کرد. این مطالعه نرخ تشخیص 100% را برای سرنشینان ثابت و متحرک و سطح دقت به ترتیب 88% و 62% نشان می‌دهد که RFID را به عنوان مکانیزم تشخیص اشغال مناسب برای کنترل تقاضا محور سیستم‌های HVAC در ساختمان‌های بزرگ دانشگاهی نشان می‌دهد. نقطه ضعف RFID نیاز ساکنان به پوشیدن مداوم برچسب است که ممکن است در ساختمان هایی با اشغال گذرا زیاد مانند ساختمان های دانشگاه دشوار باشد [ 28 ]. دقت سیستم RFID به چگالی خوان‌های نصب‌شده و قدرت سیگنال دریافتی (RSS) نیز بستگی دارد، از این رو، هزینه استقرار سیستم در ساختمان‌های بزرگ دانشگاهی مانع مهمی خواهد بود [31] .،32 ].

2.4 راه حل های مبتنی بر شبکه بی سیم

شبکه های وای فای در اکثر ساختمان های تجاری و آموزشی بزرگ وجود دارد. آن‌ها می‌توانند با ردیابی دستگاه‌هایی مانند لپ‌تاپ و تلفن‌های هوشمند متصل به نقاط دسترسی WiFi (APs) یک شبکه LAN بی‌سیم 802.11 (شبکه WiFi) یک فناوری تشخیص اشغال در زمان واقعی پویاتر از شبکه‌های سیمی ایجاد کنند. یک پروتکل کنترل میزبان پویا (DHCP) برای اتصال یک آدرس پروتکل اینترنت (IP) به هر دستگاه استفاده می شود [ 9 ]. در حالی که این فناوری می تواند حضور و شمارش سرنشینان را تشخیص دهد، نمی تواند فعالیت ساکنین را شناسایی کند و نگرانی هایی را برای حفظ حریم خصوصی ساکنان ایجاد می کند [ 28 ].

سه روش موجود برای تشخیص سرنشینان مبتنی بر WiFi بر دقت این روش تأثیر می‌گذارد: (1) نزدیکترین نقطه دسترسی، (2) مثلث‌سازی، (3) اثر انگشت فرکانس رادیویی. برای روش نزدیکترین نقطه دسترسی، یک دستگاه تلفن همراه/ایستا به نزدیکترین و قویترین AP متصل می شود و قویترین RSS را تشکیل می دهد. با پوشش شعاعی معمولی 10.5-45 متر [33 ] هر گونه همپوشانی دو AP منجر به اتصال دستگاه تلفن همراه به نزدیکترین آن می شود. از سوی دیگر، مثلث‌سازی از مش موجود APها برای اطلاع‌رسانی در مورد مکان کاربر خاص با دانه‌بندی فضایی بالاتر از شعاع 5 متر استفاده می‌کند [ 33 ]. فواصل هر AP از اندازه گیری RSS و زمان پرواز استنتاج می شود [34 ]. هنگام اندازه گیری زمان پرواز برای هر یک از AP ​​ها با دستگاه تلفن همراه، تفاوت نشان دهنده مکان خاص دستگاه است [ 34 ]. با این حال، این روش نگرانی‌های مربوط به حریم خصوصی را افزایش می‌دهد زیرا نیاز به شناسایی هر دستگاه و آدرس MAC مربوط به آن دارد. سومین روش تشخیص اشغال مبتنی بر WiFi، اثرانگشت با فرکانس رادیویی است که به فرآیند تطبیق یک پایگاه داده موجود از سیگنال‌های فرکانس رادیویی با سیگنال‌های واقعی زمان واقعی برای شناسایی مکان‌های دستگاه اشاره دارد. پایگاه داده با قدم زدن در ساختمان و نقشه برداری از بازتاب ها، تضعیف ها و انحراف سیگنال های ناشی از طراحی داخلی ساختمان و پیکربندی اشیا ایجاد می شود.35 ].

استفاده از شناسایی ساکنین مبتنی بر WiFi می تواند راه حل قابل اعتمادی برای کنترل سیستم های مدیریت ساختمان (BMS) ارائه دهد [ 9 ]. مطالعه سوتسوک و همکاران. [36 ] نشان داد که تعداد وای‌فای را می‌توان جمع‌آوری و نقشه‌برداری کرد تا به صورت بصری شدت فضایی ساکنین را نشان دهد که می‌تواند توسط دانشگاه‌ها برای شناسایی میزان استفاده از فضا استفاده شود. ال امین و همکاران [37 ] و ماردینی و همکاران. [38 ] راه حل پیچیده تر و پیشرفته تری برای تشخیص ساکنین مبتنی بر WiFi را پیشنهاد کرد. این مطالعات موقعیت سرنشینان را با استفاده از شبکه‌های ZigBee و XBee تخمین زدند و الگوریتم‌هایی را برای تخمین اثرانگشت RSS Indication (RSSI) توسعه دادند که مکان‌های سرنشینان را در فاصله 0.8 متری شناسایی می‌کرد. از سوی دیگر، مطالعه مارتانی و همکاران. [ 7 ] نشان داد که تنها 40 درصد از ساکنان ساختمان به شبکه وای فای متصل بودند، که نگرانی هایی را در مورد قابلیت اطمینان این راه حل ایجاد کرد. مطالعه دیگری توسط کریستنسن و همکاران. [39 ] همچنین برخی از محدودیت‌های استفاده از شبکه‌های WiFi موجود را به دلیل اتصال بی‌ثباتی WiFi تلفن‌های هوشمند که دقت تشخیص را به 45 تا 52 درصد کاهش می‌دهد، برجسته کرد.

از آنجایی که شبکه‌های WiFi در حال حاضر در اکثر ساختمان‌های تجاری و سازمانی (مانند پردیس‌های دانشگاه یا ساختمان‌های اداری) وجود دارد، هزینه استفاده از این فناوری برای ردیابی اشغال ناچیز است [ 2 ، 7 ]. با این حال، تعداد تعداد WiFi ممکن است به طور دقیق منعکس کننده تعداد دقیق ساکنان ساختمان نباشد زیرا ممکن است ساکنان بیش از یک دستگاه (به عنوان مثال یک لپ تاپ و یک تلفن هوشمند) به طور همزمان به شبکه WiFi متصل باشند [39 ] . علاوه بر این، ممکن است همه ساکنان به شبکه به خصوص در ساختمان هایی با جمعیت زیادی از بازدیدکنندگان متصل نباشند [ 6 ].

3 روش

این بخش روش های تحقیق را تشریح می کند. این شامل توصیفی از مطالعه موردی خاص علاوه بر جمع آوری داده ها و روش های تجزیه و تحلیل مورد استفاده در آن است.

3.1 مطالعه موردی

این پژوهش از رویکرد مطالعه موردی استفاده می کند. توانایی شمارش WiFi را برای پیش‌بینی الگوهای اشغال در مجتمع مهندسی و فناوری اطلاعات (EITC) در پردیس U of M Fort Garry در وینیپگ، منیتوبا، کانادا آزمایش می‌کند (شکل 1 ) . EITC شامل سه ساختمان مجاور است، اولی (E1) در سال 1913 ساخته شد، با افزودنی که در سال 1958 ساخته شد و دومی (E3) در سال 1967 ساخته شد. ساختمان سوم (E2) در سال 2005 به عنوان بخشی از یک بازسازی اساسی برای پیوند ساخته شد. هر سه ساختمان در اطراف یک دهلیز مرکزی. مساحت کلی آن 449 432 فوت 2 استو میزبان تمام برنامه های مهندسی در مقطع کارشناسی و کارشناسی ارشد است. همچنین چندین آزمایشگاه مهندسی و همچنین دفاتر اساتید، کارکنان و دانشجویان تحصیلات تکمیلی را در خود جای داده است. فعالیت‌هایی که در داخل ساختمان انجام می‌شود، از سخنرانی‌ها، تحقیقات در آزمایشگاه‌ها، و عملکردهای اداری و اجتماعی را شامل می‌شود که آن را به یک ساختمان دانشگاهی ایده‌آل برای آزمایش اعتبار روش پیشنهادی تبدیل می‌کند. EITC همچنین یک فرصت منحصر به فرد برای طراحی، توسعه، استقرار و آزمایش یک سیستم مقیاس پذیر برای شناسایی فرصت های بهره وری انرژی در سراسر دانشگاه است. زیرساخت ساختمان فعلی شامل تعداد زیادی APهای WiFi در هر اتاق و راهرو و یک BMS پیشرفته است. این امکان جمع آوری داده های مصرف انرژی، برنامه های عملیاتی HVAC، نقاط تنظیم، دما و نرخ جریان را با استفاده از طیف وسیعی از سنسورها در سراسر سیستم فراهم می کند.

یک کلاس درس در E2 با حداکثر ظرفیت ساکنین 80 دانش آموز، به ویژه برای تایید استفاده از اتصالات WiFi به عنوان شاخص اشغال مورد تجزیه و تحلیل قرار گرفت. سطح کلاس 1550 فوت مربع است و هیچ پنجره بیرونی ندارد و 2 AP در خدمت ساکنان کلاس است که در شکل 2 نشان داده شده است . کلاس درس با سرعت 0.65-0.7 متر مکعب بر ثانیه در ساعات اشغالی از یک واحد هوارسانی که در ضلع شرقی ساختمان خدمت می کند، تامین می شود، بنابراین تقریباً 4 تغییر هوا در ساعت ارائه می شود.

بند انگشتی عکس. 1مجتمع EITC

بند انگشتی شکل 2ابعاد کلاس درس مطالعه موردی (الف) پلان و (ب) بخش.

3.2 جمع آوری داده ها

این تحقیق شامل بررسی رابطه بین تعداد اتصالات WiFi، سطوح غلظت CO 2 و تعداد سرنشینان در یک کلاس درس در طول یک هفته بین جمعه، 27 مارس و پنجشنبه، 2 آوریل 2016 بود.

3.2.1 جمع آوری داده های WiFi

تعداد اتصالات WiFi به صورت ساعتی با استفاده از یک گزارش تولید شده توسط سیستم از 2 CISCO ® AIR-CAP2602I-A-K9 جمع آوری شد.AP در این اتاق. این APها یک اجاره DHCP برای 8 ساعت ارائه کردند که به این معنی است که تعداد حساب‌های مرتبط به هر AP در یک ساعت به یک آدرس MAC جداگانه (یعنی دستگاه جداگانه) مرتبط می‌شود. آدرس های MAC خاصی به دلیل نگرانی های امنیتی و حفظ حریم خصوصی ارائه نشد. AP ها شعاع افقی تقریباً 50-75 فوت و 30 فوت در 2.4 گیگاهرتز و 5 گیگاهرتز را پوشش می دهند. به صورت عمودی، سیگنال WiFi به دلیل وجود صفحات بتنی به طور قابل توجهی ضعیف می شود، اما AP ها ممکن است شعاع عمودی تا 20 فوت و 10 فوت را در 2.4 گیگاهرتز، 5 گیگاهرتز پوشش دهند. دفتر خدمات اطلاعات و فناوری که سیستم WiFi را مدیریت می کند، این مناطق تحت پوشش را بر اساس توان انتقال AP در dBm در هر فرکانس تخمین زده است، که ممکن است بر اساس سطوح توان تنظیم شده به طور خودکار متفاوت باشد. اگرچه این محاسبه نشان‌دهنده همپوشانی در مناطق تحت پوشش در اطراف هر AP است، دستگاه‌ها معمولاً به قوی‌ترین سیگنال WiFi (یعنی نزدیک‌ترین AP) متصل می‌شوند. بنابراین، با توجه به اینکه مناطق مجاور، از جمله راهرو خارج از این کلاس، مجهز به APهای جداگانه هستند، اکثر دستگاه‌های خارج از این کلاس به APهای WiFi آن متصل نمی‌شوند.

3.2.2 جمع آوری داده های انتشار CO 2

برای جمع آوری سطوح غلظت CO 2 ، یک مانیتور Q-trak® ( مدل VelociCalc/Q-Trak 7565)، ارائه شده توسط اداره بهداشت و ایمنی محیط زیست در U of M، برای یک دوره یک هفته ای برای ثبت غلظت CO2 نصب شد . سطوح در فواصل 10 دقیقه. مانیتور CO 2 تقریباً در وسط کلاس در سطح سقف قرار داده شد. همانطور که در شکل 2b نشان داده شده است، در بالای یک کاشی سقف با پروب بیرون زده به فضای خالی بین کاشی های سقف قرار داده شد تا شرایط محیطی کلاس را به تصویر بکشد. دقت مانیتور 50 ± ppm در دمای 25 درجه سانتی گراد است و در هفته آخر ژانویه 2016 کالیبره شده است.

3.2.3 جمع آوری داده های اشغال

داوطلبان دانشجو برای شمارش تعداد ساکنان داخل کلاس در ابتدای هر سخنرانی در ساعات عادی کلاس (8:00 صبح تا 8:00 بعد از ظهر) در روزهای هفته استخدام شدند. شکل 3 برنامه کلاسی ارائه شده توسط ثبت نام دانشگاه را نشان می دهد.

بند انگشتی شکل 3برنامه هفتگی کلاس درس مطالعه موردی.

3.3 تجزیه و تحلیل داده ها

تعداد WiFi جمع‌آوری‌شده برای کل EITC در طول هفته برای تجزیه و تحلیل روندها و رابطه آنها با اشغال مورد انتظار ترسیم شد. تجزیه و تحلیل داده ها همچنین مستلزم تولید نمودارهای پراکندگی برای هر روز هفته در کلاس مطالعه موردی بود که رابطه بین تعداد ساکنان، سطوح غلظت CO 2 و تعداد تعداد WiFi را نشان می داد. برای همبستگی این سه متغیر، موارد باید جفت شوند (یعنی در یک بازه زمانی گرفته شوند)، که یکی از الزامات همبستگی پیرسون است. بنابراین، میانگین هندسی غلظت CO 2 تمام فواصل 10 دقیقه در یک ساعت برای ارتباط غلظت CO 2 با WiFi و تعداد اشغال استفاده شد. شکل 4 نشان می دهد که میانگین هندسی ساعتی COغلظت 2 الگوی مشابهی با داده های فاصله 10 دقیقه ای داشت. استفاده از میانگین هندسی افزایش ثابت غلظت CO 2 را در طول دوره های 1 ساعته در نظر می گیرد و در این مورد نسبت به میانگین های حسابی کاربرد بیشتری دارد.

تعداد ساکنان در کلاس درس بر اساس شمارش اشغال به صورت ساعتی محاسبه شد، با فرض اینکه تعداد برای سخنرانی‌های بیش از 1 ساعت بدون تغییر باقی بماند. برای سخنرانی‌های پشت سر هم که هر یک کوتاه‌تر از یک ساعت بود، تعداد سرنشینان در هر ساعت به‌عنوان میانگین تعداد ساکنان در هر سخنرانی که در آن ساعت برگزار می‌شد محاسبه شد.

همبستگی محصول-لحظه پیرسون رابطه بین تعداد ساعتی سرنشینان و سطوح غلظت CO 2 ساعتی ، و همچنین تعداد ساعتی سرنشینان و تعداد ساعت شمارش WiFi را بین ساعت 8:00 صبح تا 8:00 بعد از ظهر در روزهای هفته ارزیابی کرد. به منظور ارزیابی خطی بودن، نمودارهای پراکنده سطوح غلظت CO 2 و تعداد WiFi در برابر تعداد ساکنان، با خطوط رگرسیون روی هم، رسم شد. بررسی بصری این نمودارها رابطه خطی بین متغیرها را نشان داد. تجزیه و تحلیل اولیه همچنین نشان داد که همسویی و نرمال بودن باقیمانده ها وجود دارد که فرضیاتی هستند که باید برای آزمون همبستگی پیرسون برآورده شوند.

این تحقیق در نهایت شامل اجرای رگرسیون چندگانه برای پیش‌بینی تعداد سرنشینان با استفاده از CO2 بودسطح غلظت و تعداد WiFi ترکیب شده است. نمودارهای رگرسیون جزئی و نموداری از باقیمانده های دانشجویی در برابر مقادیر پیش بینی شده خطی بودن را نشان دادند و از باقیمانده ها استقلال وجود داشت، همانطور که توسط آمار دوربین-واتسون 1.3 ارزیابی شد. تجزیه و تحلیل اولیه همچنین نشان داد همسویی، همانطور که با بازرسی بصری نموداری از باقیمانده‌های دانش‌آموزی در مقابل مقادیر پیش‌بینی‌شده غیراستاندارد ارزیابی شد. هیچ شواهدی از چند خطی بودن وجود نداشت، همانطور که با مقادیر تحمل بیشتر از 0.1 ارزیابی شد و هیچ باقیمانده حذف شده بیشتر از 3± انحراف استاندارد وجود نداشت. همچنین هیچ ارزش اهرمی کمتر از 0.2، و هیچ مقداری برای فاصله کوک بالای 1 وجود نداشت. همانطور که با نمودار Q – Q نشان داده شده است، فرض نرمال بودن نیز برآورده شد .

بند انگشتی شکل 4غلظت ساعتی و 10 دقیقه ای CO 2 در کلاس درس در 2 روز هفته.

4 نتیجه

این بخش نتایج تجزیه و تحلیل داده ها را در سطوح ساختمان و کلاس ارائه می کند. نتایج ارزیابی تغییرات تعداد WiFi در سطح ساختمان، و ارزیابی تغییرات در سطوح غلظت CO 2 ، تعداد تعداد WiFi و تعداد ساکنان در سطح کلاس را نشان می دهد. همچنین نتایج بررسی رابطه بین این سه متغیر مختلف را در سطح کلاس ارائه می کند.

4.1 تغییرات در سطح ساختمان در تعداد WiFi

شکل 5تعداد تعداد وای فای را به صورت ساعتی در EITC در طول دوره مطالعه یک هفته ای نشان می دهد. نمودار نشان می دهد که در روزهای هفته، فعالیت وای فای ساکنین معمولاً بین ساعت 8 تا 10 صبح با ورود دانشجویان و اساتید و پر جمعیت شدن ساختمان شروع به افزایش می کند. به طور متوسط ​​در حدود 2200 اتصال وای فای بین ساعت 2 تا 3 بعد از ظهر به اوج خود رسید، قبل از اینکه پس از پایان بیشتر کلاس ها و تخلیه ساختمان توسط دانشجویان و اساتید، به میزان قابل توجهی از ساعت 5 بعد از ظهر کاهش یافت. فعالیت وای فای سرنشینان بعداً در آخر هفته بین ساعت 9 صبح تا 12 بعد از ظهر شروع شد. به اوج خود در حدود 500 اتصال وای فای بین ساعت 3 تا 4 بعد از ظهر می رسد، قبل از اینکه از 7 بعد از ظهر به طور قابل توجهی کاهش یابد.

بند انگشتی شکل 5تغییرات سطح ساختمان در تعداد WiFi در طول دوره مطالعه.

4.2 تغییرات در سطح کلاس درس در سطوح غلظت CO 2 ، تعداد WiFi و تعداد سرنشینان

جدول 1 میانگین تعداد ساعتی تعداد وای فای، سرنشینان و سطوح غلظت CO 2 (میانگین هندسی ساعتی) را در کلاس درس تجزیه و تحلیل برای هر روز هفته در طول دوره مطالعه در ساعات کاری معمولی (یعنی 8 صبح تا 8 بعد از ظهر) نشان می دهد. میانگین هندسی سطوح غلظت CO 2 معمولاً کمتر از حداکثر سطح غلظت مجاز کلاس درس 1000 ppm بود [40 ].

شکل 6 تغییرات در تعداد وای فای، تعداد سرنشینان و سطوح غلظت CO 2 را بین ساعت 8 صبح تا 8 بعد از ظهر در هر روز هفته نشان می دهد. نمودار اوج اشغال کلاس، اتصال WiFi و CO 2 را نشان می دهدسطح غلظت بین 10 صبح تا 12 بعد از ظهر و بین 3 تا 5 بعد از ظهر برای هر روز هفته. به طور کلی، تعداد وای فای تنها کمی بیشتر از تعداد سرنشینان بود. تنها استثناها در این مورد روز دوشنبه بین ساعت 3 و 5 بعد از ظهر و سه شنبه بین ساعت 14 تا 5 بعد از ظهر بود که تعداد وای فای به ترتیب تقریبا 70% و 50% بیشتر از تعداد سرنشینان بود. این تعداد بسیار بیشتر از تعداد وای‌فای نشان می‌دهد که به دلیل استفاده از لپ‌تاپ‌ها در کلاس در آن زمان، دستگاه‌های الکترونیکی بیشتری نسبت به حالت عادی به شبکه وای‌فای متصل بودند. تنها یک مورد در روز دوشنبه بین ساعت 3 تا 5 بعد از ظهر بود که تعداد وای فای کمتر از تعداد سرنشینان بود. غلظت CO 2 در سطوح قابل قبول باقی ماند به جز روزهای دوشنبه و جمعه که در برخی موارد به بیش از 2000 ppm رسید.

میز 1میانگین ساعتی سطح کلاس درس از غلظت CO 2 ، تعداد WiFi و تعداد سرنشینان در طول روزهای هفته دوره مطالعه.

بند انگشتی شکل 6تغییرات سطح کلاس درس در سطوح غلظت CO 2 ، تعداد WiFi و تعداد سرنشینان در طول روزهای هفته در طول دوره مطالعه (جمعه، دوشنبه، سه شنبه، چهارشنبه، پنجشنبه).

4.3 رابطه بین سطوح غلظت CO 2 ، تعداد WiFi و تعداد سرنشینان

شکل 7 رابطه بین سطوح غلظت ساعتی CO 2 و تعداد ساعتی سرنشینان و همچنین بین تعداد ساعتی WiFi و تعداد ساعتی سرنشینان بین ساعت 8 صبح تا 8 بعد از ظهر در روزهای هفته را نشان می دهد. همبستگی محصول-لحظه پیرسون نشان‌دهنده یک همبستگی مثبت و معنی‌دار آماری بین تعداد سرنشینان ساعتی و تعداد وای‌فای ( r  = 0.839، P  <0.005) و یک همبستگی مثبت معنی‌دار، هرچند نسبتا ضعیف‌تر، بین تعداد سرنشینان و CO 2 است. سطوح غلظت ( r  = 0.728، P  <0.005). مدل رگرسیون خطی نشان داد که میانگین CO2سطوح غلظت 52.9٪ از تغییرات در تعداد سرنشینان ( P  <0.005) را تشکیل می دهد در حالی که تعداد ساعت WiFi 70.4٪ از این تغییرات را تشکیل می دهد ( P  <0.005).

مدل رگرسیون چندگانه ( R  = 0.89)، که نتایج آن در جدول 2 نشان داده شده است ، برای پیش‌بینی تعداد ساکنان با استفاده از هر دو متغیر پیدا شد. با این حال، تعداد وای فای متغیر مستقل مهم تری بود که بر تعداد سرنشینان تأثیر می گذاشت.

بند انگشتی شکل 7رگرسیون خطی بین (الف) سطوح غلظت CO 2 ساعتی و تعداد سرنشینان و (ب) شمارش WiFi و تعداد سرنشینان در طول روزهای هفته در طول دوره مطالعه.

جدول 2رابطه بین سطوح غلظت CO 2 ، تعداد WiFi و تعداد سرنشینان در طول روزهای هفته دوره مطالعه: نتایج تجزیه و تحلیل رگرسیون چندگانه.

5 بحث

تغییرات کل اتصالات WiFi در سراسر EITC یک الگوی ثابت را در طول روزهای هفته نشان داد. از آنجایی که تعداد اتصالات WiFi هر روز صبح شروع به افزایش می‌کند و در اواسط روز به اوج می‌رسد، شکل 5 همبستگی بین غلظت وای‌فای و الگوهای اشغال را نشان می‌دهد. شکل 5 همچنین الگوهای ثابتی را در آخر هفته نشان می‌دهد که در آن به نظر می‌رسد فعالیت WiFi به دلیل اشغال کمتر ساختمان در مقایسه با روزهای هفته بسیار محدود است. کاهش میانگین تعداد وای فای در ساختمان تقریباً 71 درصد در آخر هفته ها در مقایسه با روزهای هفته، رابطه نزدیک بین فعالیت وای فای و اشغال را برجسته می کند.

مقایسه بین میانگین تعداد وای فای و میانگین تعداد سرنشینان در روز همانطور که در جدول 1 نشان داده شده است، رابطه قوی بین هر دو متغیر را نشان می دهد، به طوری که اعداد برای هر روز هفته تا حدودی نزدیک است. این نشان می دهد که بر خلاف CO 2در سطوح، تعداد تعداد WiFi می تواند از نزدیک تعداد تقریبی سرنشینان کلاس را پیش بینی کند. در واقع بین تعداد وای فای و سرنشینان کلاس در هر روز هفته تقریباً 3 تا 40 درصد تفاوت وجود داشت. افزایش اختلاف بین تعداد وای فای و تعداد سرنشینان در برخی روزها را می توان به دانش آموزان یا مربیانی نسبت داد که بیش از یک دستگاه الکترونیکی متصل به شبکه وای فای دارند. بنابراین، استفاده از شمارش WiFi نیاز به بررسی دقیق‌تری دارد تا تمام سناریوهای احتمالی که در آن تعداد وای‌فای ممکن است با تعداد سرنشینان مطابقت نداشته باشد، در نظر گرفته شود. این سناریوها همچنین ممکن است شامل زمان‌های امتحانی باشد که دانش‌آموزان باید دستگاه‌های الکترونیکی خود را ترک کنند، بنابراین نیاز به تجزیه و تحلیل بیشتر در مورد رابطه بین WiFi و تعداد اشغال واقعی است. پس از بررسی بیشتر رابطه، چندین راه حل می تواند بر این موضوع غلبه کند، مانند حسابداری برای رویدادهای برنامه ریزی شده مانند امتحانات که از قبل شناخته شده هستند. راه حل دیگر می تواند ایجاد سطوح آستانه ای باشد که قبل از آن تعداد وای فای ممکن است به عنوان پروکسی برای اشغال واقعی استفاده نشود.

تغییرات در سطوح CO2 نیز ارتباطی با تعداد اشغال نشان داد. با این حال، چندین نمونه نشان دهنده اختلاف زیادی بین هر دو متغیر است که در شکل 6 نشان داده شده است . به عنوان مثال، در روزهای دوشنبه و جمعه، غلظت CO 2 به حدود 2000 ppm رسید که در مقایسه با ppm 1000 توصیه شده برای کلاس های درس بسیار بالا است، اما در مطالعات قبلی مشاهده شده بود.41 ،42 ]. این غلظت غیرمعمول بالای CO 2 ممکن است به چند عامل مانند افزایش سطح فعالیت یا نقص موقت در سیستم تامین هوا نسبت داده شود. با این حال، کاهش غلظت CO 2 به سطوح نرمال در روزهای دیگر و همچنین عصرها و آخر هفته ها که تقریباً به 400 ppm رسید، نشان می دهد که ممکن است مشکل به تجهیزات آزمایش نسبت داده نشود. این نوسان غیرمنتظره در سطوح غلظت CO 2 ، با توجه به نوسانات احتمالی آن، یک نقطه ضعف بزرگ در استفاده از CO2 به عنوان شاخصی برای اشغال را برجسته می کند . علاوه بر این، گهگاهی بین تعداد سرنشینان و CO2 تاخیر وجود داشتسطوح غلظت (مثلاً در روزهای سه شنبه و پنجشنبه حدود ساعت 3:00 بعد از ظهر). مشاهدات مشابهی نیز توسط فیسک و دی آلمیدا [ 4 ] انجام شد که به موجب آن یک تاخیر تقریباً 20 دقیقه ای بین سطوح اشغال و سطوح غلظت CO 2 مشاهده شد ، با تغییرات در سطوح اشغال قبل از تغییرات در سطوح غلظت CO 2 در آن زمان تاخیر. این نشان دهنده چندین ملاحظه است که باید در هنگام استفاده از غلظت CO 2 به عنوان شاخصی برای اشغال، بر خلاف تعداد WiFi در نظر گرفته شود.

مدل رگرسیون چندگانه نشان داد که سطوح غلظت CO 2 و تعداد WiFi ترکیبی می تواند 79.2٪ از تنوع در تعداد سرنشینان را توضیح دهد. این فقط کمی بیشتر از 70.3 درصد از تغییر است که تنها با تعداد تعداد WiFi توضیح داده شده است، که نشان می‌دهد استفاده از تعداد WiFi می‌تواند به اندازه کافی برای اشغال باشد.

مطالعات پژوهشی [43 –45] نشان می دهد که چگونه جنبه های عملکرد یک ساختمان مانند انرژی و کیفیت هوای داخل ساختمان (IAQ) به طور پیچیده ای با اشغال آن مرتبط است. این امر یادگیری الگوهای اشغال ساختمان را برای توضیح تغییرات عملکرد آن در اولویت قرار می دهد. همچنین نیاز به کاهش مصرف انرژی ساختمان با به حداقل رساندن شیوه‌های اتلاف انرژی وجود دارد، بنابراین نیاز به پیوند دادن سیستم‌های روشنایی و تهویه مطبوع ساختمان‌ها به اشغال و استفاده از آن وجود دارد. پیشرفت‌ها در BMS این ارتباط را فراهم می‌کند و فرصت‌های متعددی را برای کاهش مصرف انرژی ساختمان‌ها فراهم می‌کند. بنابراین، داده های بلادرنگ در مورد الگوهای اشغال به اپراتورهای ساختمان اجازه می دهد تا پارامترهای IAQ (به عنوان مثال دما، سرعت هوا) را در سطح اتاق کنترل کرده و آنها را بر اساس اشغال هر اتاق تنظیم کنند. این تضمین می کند که سرنشینان

6. نتیجه گیری

اگرچه حسگرهای CO 2 می توانند به اپراتورهای ساختمان کمک کنند تا تهویه مطبوع و تهویه مطبوع کنترل شده با تقاضا را ارائه دهند، نصب و نگهداری آنها گران است. نتایج این تحقیق نشان داد که می‌توان از شبکه‌های وای‌فای برای تجزیه و تحلیل اشغال در سطح بالاتری از دقت و حداقل هزینه استفاده کرد. اگرچه این تحقیق اولین تحقیقی بود که از هر دو CO2 استفاده کردتمرکز و وای فای به طور همزمان به عنوان شاخصی برای اشغال به حساب می آیند، استفاده از آنها فقط برای یک کلاس درس و تنها در طول یک هفته تعمیم نتایج مطالعه تحقیقاتی را دشوار می کند، بنابراین نیاز به گسترش برنامه برای گنجاندن اتاق های بیشتر در یک دوره زمانی طولانی تر و مکان های بیشتر علاوه بر این، در حالی که استفاده از شمارش WiFi ممکن است در ساختمان‌های مؤسسه‌ها و دانشگاه‌ها منطقی باشد، ممکن است نشانگر دقیقی از اشغال در ساختمان‌های دیگر نباشد که درصد کمتری از ساکنان معمولاً به شبکه WiFi متصل هستند.

استفاده از شمارش WiFi به عنوان شاخصی برای اشغال نیز می تواند مزایای دیگری را برای مدیران تسهیلات در ساختمان های سازمانی فراهم کند. برای مثال، داده‌های مربوط به الگوهای اشغال، که همیشه به آسانی در دسترس نیستند، ممکن است از طریق شمارش WiFi که به محاسبه نرخ استفاده از فضا کمک می‌کند، به‌دست آید. این مزیت در ساختمان های پردیس که در آن برنامه ریزان دانشگاه همیشه ملزم به پاسخگویی به تقاضای فضایی فزاینده در فضاهای پردیس محدود هستند بسیار مفید است. تحقیقات آینده باید بر توسعه فناوری‌هایی برای ساده‌سازی ارتباطات بین شبکه WiFi و BMS متمرکز شود. تحقیقات آینده همچنین باید بر روی بررسی تأثیر این امر بر IAQ، به ویژه آسایش حرارتی و رضایت سرنشینان تمرکز کند. همچنین نیاز به تعیین کمیت صرفه جویی در انرژی با ادغام سیستم های HVAC کنترل شده با تقاضا که بر داده های شمارش WiFi متکی هستند، وجود دارد. الگوی ثابت شمارش وای‌فای روزانه نشان‌داده‌شده در این تحقیق نشان می‌دهد که می‌تواند اشغال را با دقت بیشتری در سطح ساختمان تشخیص دهد و از نظر بازده انرژی و هزینه‌های عملیاتی صرفه‌جویی قابل‌توجهی داشته باشد.

منابع

  1. A. Thewes, S. Maas, F. Scholzen, D. Waldmann, A. Zürbes, مطالعه میدانی در مورد مصرف انرژی ساختمانهای مدرسه در لوکزامبورگ, Energy Build. 68 ، 460 (2014) [CrossRef] [Google Scholar]
  2. L. Pérez-Lombard، J. Ortiz، C. Pout، مروری بر اطلاعات مصرف انرژی ساختمان، ساخت انرژی. 40 , 394 (2008) [CrossRef] [Google Scholar]
  3. N. Nassif، استراتژی کنترل تهویه با تقاضای کنترل شده مبتنی بر CO 2 قوی برای سیستم های HVAC چند منطقه ای، Energy Build. 45 ، 72 (2012) [CrossRef] [Google Scholar]
  4. WJ Fisk، AT De Almeida، تهویه با تقاضای کنترل شده مبتنی بر حسگر: بررسی، ساخت انرژی. 29 ، 35 (1998) [CrossRef] [Google Scholar]
  5. N. Nassif، تهویه هوای مبتنی بر تقاضای CO 2 برای سیستم های HVAC چند منطقه ای، ASHRAE Trans. 118 ، 300 (2012) [Google Scholar]
  6. A. Vaccari، S. Samouhos، MIT enernet: مرتبط کردن فعالیت WiFi با سکونت انسان، در مجموعه مقالات ساختمان های سالم (2009) [Google Scholar]
  7. C. Martani، D. Lee، P. Robinson، R. Britter، C. Ratti، ENERNET: مطالعه رابطه پویا بین اشغال ساختمان و مصرف انرژی، ساخت انرژی. 47 , 584 (2012) [CrossRef] [Google Scholar]
  8. P. Lin، Q. Li، Q. Fan، X. Gao، S. Hu، یک سیستم خدمات مبتنی بر مکان در زمان واقعی با استفاده از الگوریتم انگشت نگاری WiFi برای ارزیابی خطر ایمنی کارگران در تونل ها، ریاضی. مشکل مهندس 2014 ، 10 (2014) [Google Scholar]
  9. BT Rosenblum، جمع آوری داده های حضور ساکنین برای استفاده در مدیریت انرژی ساختمان های تجاری، دانشگاه کالیفرنیا، برکلی، 2012 [Google Scholar]
  10. TA Nguyen، M. Aiello، ساختمان های هوشمند انرژی بر اساس فعالیت کاربر: نظرسنجی، ساخت انرژی. 56 ، 244 (2013) [CrossRef] [Google Scholar]
  11. T. Teixeira، G. Dublon، A. Savvides، بررسی سنجش انسان: روش‌هایی برای تشخیص حضور، شمارش، مکان، مسیر و هویت، ACM Comput. Surv. 5 ، 1 (2010) [Google Scholar]
  12. T. Yokoishi، J. Mitsugi، O. Nakamura، J. Murai، تعیین اشغال اتاق با فیلتر ذرات داده‌های حسگر پیرو الکتریک مادون قرمز شبکه‌ای (PIR)، در Proc. IEEE Sensors (2012)، صفحات 3-6 [Google Scholar]
  13. X. Guo، D. Tiller، G. Henze، C. Waters، عملکرد سیستم‌های کنترل روشنایی مبتنی بر اشغال: بررسی، نور. Res. تکنولوژی 42 ، 415 (2010) [Google Scholar]
  14. B. Roisin، M. Bodart، A. Deneyer، P. D’Hardt، صرفه جویی در انرژی روشنایی در ادارات با استفاده از سیستم های مختلف کنترل و مصرف واقعی آنها، Energy Build. 40 , 514 (2008) [Google Scholar]
  15. T. Labeodan، K. Aduda، W. Zeiler، F. Hoving، ارزیابی تجربی عملکرد سنسورهای صندلی در یک فضای اداری برای تشخیص اشغال و کنترل اشغال محور، ساخت انرژی. 111 ، 195 (2016) [CrossRef] [Google Scholar]
  16. TR Nielsen, C. Drivsholm, تهویه کنترل شده با تقاضای کارآمد انرژی در خانه های تک خانواده, Energy Build. 42 ، 1995 (2010) [CrossRef] [Google Scholar]
  17. S. Kar، PK Varshney، برآورد دقیق اشغال فضای داخلی با استفاده از حسگرهای گاز، در ISSNIP 2009 – Proc. 2009 5th Int. Conf. هوشمند Sensors, Sens. Networks Inf. روند. (2009)، صفحات 355-360 [Google Scholar]
  18. Z. Sun، S. Wang، Z. Ma، پیاده‌سازی و اعتبارسنجی درجا استراتژی تهویه کنترل‌شده با تقاضای تطبیقی ​​مبتنی بر CO2 در یک ساختمان اداری چند منطقه‌ای، ساختمان . محیط زیست 46 ، 124 (2011) [CrossRef] [Google Scholar]
  19. انجمن آمریکایی مهندسین گرمایش، تبرید، و تهویه مطبوع، شرکت استاندارد ANSI/ASHRAE 62.1-2010. تهویه برای کیفیت هوای داخلی قابل قبول (ASHRAE، آتلانتا، GA، 2010) [Google Scholar]
  20. D. Calì، P. Matthes، K. Huchtemann، R. Streblow، D. Müller، الگوریتم تشخیص اشغال مبتنی بر CO2: تجزیه و تحلیل تجربی و اعتبارسنجی برای ساختمان‌های اداری و مسکونی، ساختمان . محیط زیست 86 ، 39 (2015) [Google Scholar]
  21. WJ Fisk، DP Sullivan، D. Faulkner، E. Eliseeva، نظارت بر CO 2 برای تهویه کنترل شده با تقاضا در ساختمان‌های تجاری (آزمایشگاه ملی لارنس برکلی، برکلی، CA، ایالات متحده آمریکا، 2010)، صفحات 1-52 [Google Scholar]
  22. S. Shrestha، GM Maxwell، مکمل گزارش آزمایش محصول: فرستنده‌های دی اکسید کربن به مقدار دیوار (CO 2 )، تست، شماره مارس، صفحات 1-17، 2010 [Google Scholar]
  23. S. Emmerich، A. Persily، بررسی جدیدترین فناوری و کاربرد CO 2 تهویه کنترل شده، Natl. Inst. ایستادن. فناوری، شماره NISTIR 6729، 2001 [Google Scholar]
  24. E. Azar، C. Menassa، مدل‌سازی مبتنی بر عامل ساکنان و تأثیر آنها بر مصرف انرژی در ساختمان‌های تجاری، J. Comput. مدنی مهندس 26 , 506 (2011) [CrossRef] [Google Scholar]
  25. CA Webber، JA Roberson، RE Brown، CT Payne، B. Nordman، JG Koomey، بررسی میدانی الگوهای عملیاتی تجهیزات اداری، محیط زیست. Prot., No. LBNL-46930, 2001 [CrossRef] [Google Scholar]
  26. M. Sanchez، C. Webber، R. Brown، J. Busch، M. Pinckard، بخاری‌های فضایی، رایانه‌ها، شارژرهای تلفن همراه: ساختمان‌های تجاری چقدر به برق متصل هستند؟ در ACEEE Summer Study Efficiency Energy. ساختن. (2006)، صفحات 304-315 [Google Scholar]
  27. M. Milenkovic، O. Amft، شناسایی فعالیت‌های مرتبط با انرژی با استفاده از حسگرهایی که معمولاً در ساختمان‌های اداری نصب می‌شوند، Procedia Comput. علمی 19 , 669 (2013) [CrossRef] [Google Scholar]
  28. K. Ng، استفاده از شبکه حسگر WiFi در اندازه‌گیری اشغال و گردش افراد در ساختمان‌ها، دانشگاه رایرسون، 2016 [Google Scholar]
  29. ع. معتمدی، م.م. سلطانی، ع. حمد، بومی سازی دارایی های مجهز به RFID در مرحله بهره برداری از تاسیسات، Adv. مهندس آگاه کردن. 27 , 566 (2013) [Google Scholar]
  30. N. Li، G. Calis، B. Becerik-Gerber، اندازه‌گیری و نظارت بر اشغال با یک سیستم مبتنی بر RFID برای عملیات HVAC مبتنی بر تقاضا، خودکار. ساخت و ساز 24 ، 89 (2012) [CrossRef] [Google Scholar]
  31. K. Weekly، H. Zou، L. Xie، QS Jia، AM Bayen، سیستم موقعیت یابی سرنشینان داخلی با استفاده از استقرار فعال rfid و فیلترهای ذرات، در Proc. – IEEE Int. Conf. توزیع کنید. محاسبه کنید. سنسور سیستم. DCOSS 2014 (2014)، صفحات 35-42 [CrossRef] [Google Scholar]
  32. HM Khoury، VR Kamat، ارزیابی فناوری‌های ردیابی موقعیت برای بومی‌سازی کاربر در محیط‌های ساختمانی داخلی، خودکار. ساخت و ساز 18, 444 (2009) [Google Scholar]
  33. CISCO، راهنمای طراحی سرویس‌های مبتنی بر مکان Wi-Fi 4.1، شماره 6387 (سیسکو سیستمز، CA، ایالات متحده آمریکا، 2008) [Google Scholar]
  34. V. Osa، J. Matamales، JF Monserrat، J. López، محلی‌سازی در شبکه‌های بی‌سیم: پتانسیل تکنیک‌های مثلث‌سازی، وایرل. پارس اشتراک. 68 ، 1525 (2013) [CrossRef] [Google Scholar]
  35. A. LaMarca، E. De Lara، Synth. لکت. اوباش محاسبات فراگیر 3 ، 1 (2008) [CrossRef] [Google Scholar]
  36. A. Sevtsuk، S. Huang، F. Calabrese، C. Ratti، نقشه برداری از محوطه دانشگاه MIT در زمان واقعی با استفاده از WiFi، در Handb. Res. تمرین انفورماتیک شهری. Promise Real-Time City (IGI Global, USA, 2009) [Google Scholar]
  37. CM El Amine، O. Mohamed، B. Boualam، پیاده سازی محلی سازی داخلی بر اساس یک مطالعه تجربی RSSI با استفاده از یک شبکه حسگر بی سیم، Peer-to-Peer Netw. Appl. 9 , 795 (2016) [CrossRef] [Google Scholar]
  38. W. Mardini، Y. Khamayseh، AA Almodawar، E. Elmallah، طرح محلی سازی مبتنی بر RSSI تطبیقی ​​برای شبکه های حسگر بی سیم، شبکه نظیر به نظیر. Appl. 9 , 991 (2016) [CrossRef] [Google Scholar]
  39. K. Christensen, R. Melfi, B. Nordman, B. Rosenblum, R. Viera, K. Christensen, R. Melfi, استفاده از زیرساخت شبکه موجود برای تخمین اشغال ساختمان و کنترل دستگاه های متصل شده در فضاهای کاری کاربر، بین المللی. J. Commun. شبکه توزیع کنید. سیستم 12 ، 4 (2014) [CrossRef] [Google Scholar]
  40. Z. Bakó-Biró، DJ Clements-Croome، N. Kochhar، HB Awbi، MJ Williams، نرخ تهویه در مدارس و عملکرد دانش آموزان، ساخت. محیط زیست 48 ، 215 (2012) [Google Scholar]
  41. F. Van Dijken، JEMH Van Bronswijk، J. Sundell، محیط داخلی و سلامت دانش آموزان در مدارس ابتدایی، ساختمان. Res. Inf. 34 , 437 (2006) [CrossRef] [Google Scholar]
  42. V. De Giuli، O. Da Pos، M. De Carli، کیفیت محیط داخلی و درک دانش آموزان در مدارس ابتدایی ایتالیا، ساخت. محیط زیست 56 , 335 (2012) [Google Scholar]
  43. V. De Giuli، R. Zecchin، L. Salmaso، L. Corain، M. De Carli، اندازه‌گیری و درک کیفیت محیط داخلی: مطالعه موردی بیمارستان پادوآ، ساختمان. محیط زیست 59 ، 211 (2013) [CrossRef] [Google Scholar]
  44. ZJ Yu، F. Haghighat، BCM Fung، E. Morofsky، H. Yoshino، روشی برای شناسایی و بهبود رفتار ساکنان در ساختمان‌های مسکونی، انرژی 36 ، 6596 (2011) [CrossRef] [Google Scholar]
  45. CM Clevenger، JR Haymaker، M. Jalili، نشان دادن تأثیر ساکنین بر عملکرد ساختمان، J. Comput. مدنی مهندس 28 ، 99 (2014) [CrossRef] [Google Scholar]

Leave A Comment