POLSRIPOLSRI

AUSTENITAUSTENIT

Sistem pendingin menyumbang sebagian besar konsumsi energi akhir di sektor bangunan. Sistem ini bertugas menghilangkan panas dari bangunan untuk menjaga suhu dalam standar kenyamanan. Prediksi beban pendinginan dalam bangunan berguna untuk merancang sistem HVAC dan manajemen energi secara efisien. Artikel ini memperkenalkan metode prediksi beban pendinginan bangunan instan, yang mengandalkan input dari data cuaca dan jaringan saraf tiruan. Dataset dibuat dengan mensimulasikan beban pendinginan di bangunan pendidikan di Indonesia selama satu tahun menggunakan software Energy Plus. Parameter input meliputi suhu bulat kering, kelembapan relatif, kecepatan angin, arah angin, tingkat radiasi inframerah horizontal, tingkat radiasi matahari difus, dan tingkat radiasi matahari langsung. Analisis varians dan koefisien korelasi Pearson digunakan untuk menganalisis kontribusi relatif parameter input terhadap beban pendinginan. Kedua metode menunjukkan bahwa suhu bulat kering adalah parameter paling berpengaruh, sementara kecepatan angin dan arah angin memiliki efek yang kurang signifikan. Hasil penelitian menunjukkan bahwa model ANN yang dioptimalkan dengan parameter input yang dipilih berhasil memprediksi beban pendinginan dengan koefisien variasi (CV) sebesar 15,26%.

Penelitian ini menunjukkan bahwa prediksi beban pendinginan bangunan dapat dilakukan secara efektif dengan model ANN yang memanfaatkan data cuaca.Suhu bulat kering merupakan parameter paling signifikan dalam memengaruhi beban pendinginan, sementara kecepatan dan arah angin memiliki pengaruh minimal.Model ANN dengan penundaan waktu (time-delay) memberikan akurasi prediksi yang lebih baik dibandingkan model statis, menunjukkan pentingnya mempertimbangkan dinamika termal bangunan dalam perancangan sistem pendingin.

Penelitian lanjutan dapat mengkaji penggunaan model pembelajaran mesin yang lebih kompleks, seperti jaringan saraf dalam (deep learning), untuk meningkatkan akurasi prediksi beban pendinginan. Selain itu, studi dapat mengintegrasikan faktor aktivitas penghuni dan pola penggunaan energi untuk meningkatkan relevansi model. Pengujian model pada berbagai jenis bangunan dan iklim regional juga diperlukan untuk memvalidasi generalisasi hasil penelitian ini.

  1.  . 0 mdpi.com/1996-1073/11/3/631A 0 mdpi 1996 1073 11 3 631
Read online
File size678.19 KB
Pages8
DMCAReport

Related /

ads-block-test