Zajištění přesnosti zpracování vel-
kého objemu vstupních dat vyžaduje interakce různých faktorů nástrojů, jako jsou
datová analýza, strojové učení expertní znalosti [7]. základě historických dat chování uživatelů al-
goritmy mohou efektivně adaptovat jednotlivé situace automaticky nastavovat
ideální strategie fungování domácího vytápění klimatizace [15]. Pro monitorování si-
17
. Model byl porovnán ARMA (AutoRegressive Moving Average) modelem,
který autoři dříve formulovali.pro identifikaci systémů prostředí MATLAB. Struktura modelu byla stanovena
výběrem nejvhodnějšího počtu pólů nul, aby bylo dosaženo nejlepší shody
teploty.
Jednou dalších nevýhod potřeba detailního pochopení komplexních vztahů mezi
jednotlivými proměnnými, aby bylo možné vytvořit spolehlivý funkční white-box
model. Jelikož znalost vstupních výstupních dat spolu vnitř-
ními procesy poskytuje přesný náhled to, jak algoritmus pracuje jaká data byla
při jeho tvorbě využita, tento přístup umožňuje sledování změn systému jeho modi-
fikace, například úprava řídicí logiky systému vytápění chlazení základě změny
chování uživatelů budovy nebo při změně počasí souvislosti střídáním ročních
období [7]. white-box model, jeho regulace
nám umožňuje umožňuje dosáhnout nejnižších nákladů energii zajistit uži-
vateli příjemné domácí prostředí [14]. základě spojitých přenosových
funkcí byly vytvořeny matematické modely, které zahrnují prvky jako tepelné ztráty,
přenos tepla stěnami vertikální teplotní změny.
Jelikož můžeme systém HVAC chápat jako tzv. Komplexní přístup monitorování regulaci
teploty, založený naměřených údajích fyzikálních principech, výrazně zvyšuje
účinnost životnost systémů. Tento přístup zároveň generuje
velké množství výsledků, což komplikuje jejich následnou analýzu interpretaci. přes to, nový systém praktičtější pro reálné
použití, analýza ukázala, nižší přesnost (82,60 80,17 oproti 87,45 a
80,36 %).
1. Pokud data nejsou dostatečně kvalitní nebo jejich množství nedostatečné,
může dojít tvorbě nesprávných matematických modelů, které ovlivňují schopnost
predikce snižují celkovou spolehlivost modelu.
Při vývoji modelu může vyskytnout nesoulad mezi očekávanými skutečně
naměřenými výsledky, což často způsobeno nejistotami návrhových parametrech
a vyžaduje následnou kalibraci, která určuje přesnost spolehlivost systému [13].
Studie [13] představuje vývoj white-box modelu pro simulaci teploty hotelovém
pokoji integrovaným klimatizačním topným systémem.2 White-box modelování
White-box modely, známé také jako transparentní, jsou takové, nichž zřejmá
vnitřní struktura dynamika systému, jsou založené vzorcích, pravidlech nebo
rozhodovacích stromech [7]
