Swarm intelligence for energy-efficient heating, ventilation, and air conditioning (HVAC) systems: A case study in smart buildings
Notice bibliographique
Résumé
This research utilizes swarm intelligence algorithms—Particle Swarm Optimization (PSO), Ant Colony Optimization (ACO), and hybrid PSO-ACO-to optimize energy efficiency and thermal comfort in smart building HVAC systems. A thorough experimental analysis was done in a 500-kW cooling capacity smart building in 20 monitored temperature zones for 12 months. The hybrid PSO-ACO model performed the best energy savings of 28.9%, better than PSO (23.7%) and ACO (20.5%), and also saving 29.2% peak load demand. Thermal comfort analysis through Predicted Mean Vote (PMV) and Predicted Percentage of Dissatisfied (PPD) metrics showed better indoor conditions, with the hybrid model keeping room temperatures within ±0.8°C of the setpoint and bringing the PPD index down to 8.5%. Statistical validation through ANOVA and t-tests supported the energy and comfort gains with p-values always less than 0.05. The hybrid model also exhibited faster convergence, completing the optimization in 120 iterations, 20% faster than ACO. Economic analysis estimated annual cost savings of $12,000 for a 10,000 m 2 building with a return on investment within 2.5 years, while saving 35.2 metric tons of CO 2 emissions per year. The results illustrate the outstanding performance of hybrid swarm intelligence algorithms to improve HVAC efficiency and occupant comfort, a scalable and inexpensive solution for smart building management. Future research will utilize machine learning combined with swarm intelligence for adaptive and predictive HVAC control.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».