HU231512B1 - Eljárás és rendszer helyiség hőmérsékletének szabályozására - Google Patents
Eljárás és rendszer helyiség hőmérsékletének szabályozására Download PDFInfo
- Publication number
- HU231512B1 HU231512B1 HUP1900250A HUP1900250A HU231512B1 HU 231512 B1 HU231512 B1 HU 231512B1 HU P1900250 A HUP1900250 A HU P1900250A HU P1900250 A HUP1900250 A HU P1900250A HU 231512 B1 HU231512 B1 HU 231512B1
- Authority
- HU
- Hungary
- Prior art keywords
- temperature
- time series
- predicted
- room
- tsat
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims description 30
- 238000013528 artificial neural network Methods 0.000 claims description 39
- 230000008859 change Effects 0.000 claims description 18
- 238000004891 communication Methods 0.000 claims description 11
- 230000006403 short-term memory Effects 0.000 claims description 4
- 238000013527 convolutional neural network Methods 0.000 claims description 2
- 238000010438 heat treatment Methods 0.000 description 12
- 238000001816 cooling Methods 0.000 description 9
- 238000013461 design Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000010365 information processing Effects 0.000 description 3
- 238000004378 air conditioning Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000013213 extrapolation Methods 0.000 description 2
- 230000036962 time dependent Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000001052 transient effect Effects 0.000 description 2
- 238000009423 ventilation Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 239000002826 coolant Substances 0.000 description 1
- 230000009849 deactivation Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 238000005496 tempering Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/62—Control or safety arrangements characterised by the type of control or by internal processing, e.g. using fuzzy logic, adaptive control or estimation of values
- F24F11/63—Electronic processing
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/62—Control or safety arrangements characterised by the type of control or by internal processing, e.g. using fuzzy logic, adaptive control or estimation of values
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D23/00—Control of temperature
- G05D23/19—Control of temperature characterised by the use of electric means
- G05D23/1917—Control of temperature characterised by the use of electric means using digital means
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/50—Control or safety arrangements characterised by user interfaces or communication
- F24F11/56—Remote control
- F24F11/58—Remote control using Internet communication
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
- G05B19/042—Programme control other than numerical control, i.e. in sequence controllers or logic controllers using digital processors
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/26—Pc applications
- G05B2219/2614—HVAC, heating, ventillation, climate control
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Human Computer Interaction (AREA)
- Air Conditioning Control Device (AREA)
Description
Eljárás és rendszer helyiség hőmérsékletének szabályozására tn ft FM ft ft ©
A találmány tárgya eljárás hőmérséklet-szabályozó eszközzel ellátott helyiség hőmérsékletének szabályozására, különösen a helyiség hőmérsékletének egy alsó és egy felső hiszterézis hőmérséklet által meghatározott komfort 10 hőmérséklet tartományon belül tartására.
A találmány tárgya továbbá rendszer a fenti eljárás megvalósítására.
Az épületek helyiségeinek (pl. lakóházak szobáinak, gyárcsarnokok belső tereinek, stb.) alapvető feladata az ott tartózkodó személyek megfelelő komfortjának biztosítása, amit a helyiség belső hőmérséklete lényegesen 15 befolyásol. A megfelelő hőmérséklet fenntartására hűtési, illetve fűtési rendszereket alkalmaznak.
Az épületek helyiségeiben leggyakrabban használt felületi hűtés, fűtés (HVAC - Heating, ventillation, Air Conditioning) rendszerek nagy tehetetlenséggel bírnak. Ugyanakkor elmondható, hogy az a hőmérséklet tartomány, melyen belül 20 egy átlagember komfortosan érzi magát, meglehetősen szűk (mindössze néhány Celsius fokos). Alapvető fontosságú tehát egy olyan vezérlés megalkotása, melynek segítségével a helyiség hőmérséklete ebben a komfort zónában tartható. Megfelelő vezérléssel ráadásul nem csak a komfortszint, hanem az épület energia hatékonysága is javítható.
A helyiségben elhelyezett termosztát feladata a hőmérséklet előre beállított érték körül tartása a lehető legkisebb energiafogyasztás és leginkább minimális vezérlési beavatkozás (kapcsolás) mellett. Ez egy bonyolult, nemlineáris vezérlési probléma, melyben a kontrollált helyiség termodinamikai jellemzői, valamint számos tranziens folyamat is szerepet játszik. Ilyen 30 termodinamikai jellemző például a helyiség méretezése, kialakítása, a falak anyagi minősége vagy a nyílászárók hövezetési tényezője. Tranziens folyamatok közé tartozik például a külső hőmérséklet szezonális vagy rövidebb időskálán mért változása, vagy a helyiséget használók tevékenységéből származó hatások (pl. szellőztetés).
SZTNH-100213962
-2A fenti vezérlési problémára számos megoldás született az elmúlt évtizedekben. Ezek közül talán a legelterjedtebb megoldás az ún. PID (Proportional-lntegral-Derivative) háromparaméteres vezérlési modell, amely főleg lineáris rendszerek szabályozásánál alkalmazott, párhuzamos kompenzáción alapuló szabályozótípus. A PID elnevezés a szabályozó elvére utal, ugyanis a szabályozó által kiadott végrehajtójel a hibajellel (P - proportional), a hibajel integráljával (I - integral), valamint a hibajel deriváltjával (D - derivative) arányos tagokból tevődik össze, így a végrehajtójel a jelenlegi hiba, a múltbéli hibák és a várható hibák függvénye. Megjegyezzük, hogy amennyiben a fenti tagok közül nem mindegyiket használják fel, úgy P, Pl, vagy PD szabályzásról beszélnek. A PID modell könnyen implementálható, de a fűtö/hütö közeg tehetetlensége és a termodinamikai rendszerek nem-lineáris jellege miatt ez a módszer messze nem optimális a termosztátok vezérlésére. A fűtőtest ki- illetve bekapcsolását követően (tki, tbe) a helyiség hőmérséklete a hőtehetetlenség miatt túlfut a Tl, Th hiszterézis hőmérsékleteken (lásd 1. ábra). A PID modell legnagyobb hátránya, hogy a helyiség belső hőmérsékletének ingadozása, vagyis a kívánt hőmérsékelt érték körüli megengedett fluktuáció maximális mértéke nagy, ami a komfortszintet és az energiahatékonyságot negatívan befolyásolja.
Az utóbbi egy-két évtizedben kezdtek el kísérletezni a neurális hálón alapuló, öntanuló termosztát-vezérlő rendszerekkel, melyek segítségével a helyiség különböző termodinamikai paraméterei között, - a konkrét hötani folyamatok tényleges ismerete nélkül - próbálnak meg kapcsolatot találni. Ilyen, neurális hálón alapuló kísérleti vezérlést mutat be Jin-Young Lee és tsai. Predictive control of the Radiant Floor Heating System in Apartment Buildings című cikke, melynél a kazánt úgy kapcsolják ki, illetve be, hogy a szoba hőmérséklete éppen a szaturációs hőmérsékletekig (vagyis a beállított hőmérséklet körüli megengedett szélsöértékekig) emelkedjen, illetve süllyedjen. A modell bemeneti paramétereként mérik a helyiség belső hőmérsékletét, illetve annak változását, valamint a külső hőmérsékletet és annak változását, kimenő paraméterként pedig a modell megadja, hogy aktuálisan mekkora lenne a szaturációs hőmérséklet (maximum vagy minimum), ha az adott pillanatban kapcsolnák ki vagy be a fűtőtestet. Az ismertetett megoldás segítségével a beállított hőmérséklet körüli fluktuáció és a ki-be kapcsolási ciklusok száma a
H
-3hagyományos vezérlésekhez képest minimalizálható ugyan, azonban a modellt minden időpillanatban ki kell értékelni annak érdekében, hogy szaturációs hőmérsékletet számoljanak és abból a fűtőtest ki- illetve bekapcsolási időpontját meg tudják határozni.
Felismertük, hogy a neurális háló alapú modellek futtatása eröforrásigényes feladat, így a modellszámításokat a gyakorlatban - már csak gazdasági megfontolások miatt is - célszerű nem helyben, hanem egy külön erre a célra létrehozott infrastruktúrán (pl. távoli szerveren) végezni.
Felismertük, hogy ha a neurális háló alapú modell futtatása a helyiségtől távol történik (vagyis a vezérlő jel a szerveroldalról érkezik), úgy a távoli szerver és a helyiségben elhelyezett lokális szabályozó eszköz (pl. termosztát) közötti kommunikációs csatornában fellépő zavarok (pl. hálózatkimaradások, zajok, stb.) hátrányosan befolyásolhatják a vezérlés menetét.
Felismertük, hogy amennyiben a szaturációs hőmérsékleteket nem aktuálisan, mindig az adott időpillanatra vonatkozóan számoljuk, hanem egy neurális hálón alapuló modell által jósolt hőmérséklet idősor értékeiből előre meghatározzuk azokat, akkor a fenti problémák hatékonyan kiküszöbölhetők, és a vezérlés szempontjából sokkal robosztusabb és hibatűrőbb megoldást tudunk létrehozni.
Felismertük továbbá, hogy a szaturációs hőmérséklet meghatározásához elegendő csupán a helyiség belső hőmérsékletének változását mérni, mivel az így kapott hőmérséklet idősor a termodinamikai egyenleteken keresztül magában foglalja az össze többi faktort (pl. a külső hőmérséklet változásának hatását, stb.) is.
A találmány célja olyan hőmérséklet szabályozó eljárás és rendszer szolgáltatása, amely mentes a technika állása szerinti megoldások hátrányaitól, vagyis amely kevésbé érzékeny a kommunikációs csatornában előforduló hibákra, ezáltal megbízhatóbb és robosztusabb hőmérséklet szabályozást tesz lehetővé.
A találmány azon a felismerésen alapul, hogy a neurális háló által jósolt szaturációs hőmérséklet értékeket nem csak az aktuálisan mért hőmérséklet adatból kiindulva, hanem egy neurális háló által meghatározott prediktált hőmérséklet idősor elemeiből, mint kezdő értékekből kiindulva is meg lehet tn 05 határozni. Vagyis a neurális hálón futó modellt nem szükséges minden
H
-4időpillanatban kiértékelni a szaturációs hőmérséklet meghatározása érdekében. Ily módon amellett, hogy a találmány szerinti eljárással számítási kapacitás spórolható meg, a hőmérséklet szabályozás egyben robosztusabb és a kommunikációs csatorna hibáira érzéketlenebb lesz.
A feladatot a találmány értelmében az 1. igénypont szerinti, helyiség belső hőmérsékletének szabályozására irányuló eljárással oldottuk meg.
A találmány elé kitűzött feladatot továbbá az 5. igénypont szerinti rendszerrel oldottuk meg.
A találmány egyes előnyös kiviteli alakjai az aligénypontokban vannak meghatározva.
A találmány további részleteit kiviteli példákon, rajz segítségével ismertetjük. A rajzon az
1. ábra egy technika állása szerinti PID szabályzás hőmérséklet görbéje, a
2. ábra a találmány szerinti rendszer főbb elemeit bemutató vázlatos képe, a
3a ábra a találmány szerinti eljárás egy példaként! kiviteli alakjának megvalósítása során a helyiség belső hőmérsékletének idöfüggését bemutató grafikonja fűtés esetén, a
3b ábra a találmány szerinti eljárás egy példaként! kiviteli alakjának megvalósítása során a helyiség belső hőmérsékletének időfüggését bemutató grafikonja hűtés esetén.
A 2. ábrán a találmány szerinti 100 rendszer főbb elemei láthatók, amely 100 rendszer 10 hőmérséklet-szabályozó eszközzel ellátott 20 helyiség hőmérsékletének egy beállított hőmérséklet érték körüli hőmérséklet-tartományon belül tartására szolgál. A 20 helyiség lehet például lakóház szobája, vagy bármilyen, falakkal körül határolt térrész (pl. üzlethelyiség, gyárcsarnok, stb.), melynek temperálása 10 hőmérséklet-szabályozó eszközzel van megoldva. Jelen találmány kontextusában a 10 hőmérséklet-szabályozó eszköz fogalmát tágan értelmezzük és ide értünk minden olyan fűtő, vagy hűtő eszközt, mely alkalmas a 20 helyiség hőmérsékletének kívánt irányú megváltoztatására. A 10 hőmérsékletszabályozó eszköz lehet például elektromos árammal vagy tüzelőanyaggal, pl. gázzal működő hősugárzó (konvektor), légkondicionáló berendezés (pl. inverteres tfi
Cb
Öl
Öi slit klíma) stb., ahogy az a szakember számra ismeretes.
-5A 100 rendszer továbbá a 20 helyiség belső hőmérsékletének mérésére és a mért hőmérséklet adatok továbbítására alkalmas digitális hőmérséklet 12 érzékelőt, a 10 hőmérséklet-szabályozó eszköz ki-be kapcsolására alkalmas 14 vezérlő modult, valamint a 14 vezérlő modullal és a hőmérséklet 12 érzékelővel digitális 200 kommunikációs csatornán keresztül adatkapcsolatban álló, neurális háló megvalósítására alkalmasan kialakított távoli 300 központi informatikai egységet tartalmaz.
A találmány szerinti 12 érzékelő a 20 helyiség belső hőmérsékletének rendszeres időközönként történő mérésére és előnyösen a mérés időpontjának rögzítésére is alkalmas módon van kialakítva. Az egyértelműség kedvéért megjegyezzük, hogy jelen leírásban a 20 helyiség hőmérséklete alatt a 20 helyiségben elrendezett 12 érzékelő által mért hőmérsékletet értjük. A hőmérséklet 12 érzékelő és a 14 vezérlő modul adott esetben egyetlen, a 20 helyiségben elrendezett egységként, előnyösen 16 termosztátként is kialakítható, ahogyan az például a hagyományos cirkulációs fűtési rendszereknél ismeretes.
A 300 központi informatikai egység fogalmát a jelen leírásban tágan értelmezzük, és beleértünk minden digitális adat fogadására, feldolgozásra, tárolására és a feldolgozott digitális adat elektronikus úton történő továbbítására alkalmas hardver eszközt, melynek segítségével neurális háló futtatható. A 300 központi informatikai egység előnyösen a 20 helyiségen kívül, attól távol (adott esetben másik városban vagy országban) van elrendezve. Egy különösen előnyös kiviteli alaknál a 300 központi informatikai egység a 12 érzékelőtől, vagy a 12 érzékelőt tartalmazó 16 termosztáttól fogadott adatok tárolására szolgáló 300a háttértárat, és a fogadott adatok feldolgozására és neurális háló implementálására szolgáló központi 300b feldolgozó egységet (processzort és/vagy gpu-t) tartalmazó számítógépként van kialakítva, ahogy az a szakember számára nyilvánvaló. A 300 informatikai egység a 12 érzékelővel és a 14 vezérlő modullal a 200 kommunikációs csatornán keresztül adatátviteli kapcsolatban áll, vagyis a 300 informatikai egység a 12 érzékelőtől a 200 kommunikációs csatornán keresztül képes fogadni a 12 érzékelő által mért hőmérséklet adatokat. A 300 központi informatikai egység a hőmérséklet 12 érzékelőtől fogadott hőmérséklet adatok alapján vezérlőjel előállítására és 14 vezérlő modulnak történő továbbítására alkalmas módon van konfigurálva, és a 14 vezérlő modul a fogadott vezérlőjel
-6eltárolására és végrehajtására alkalmas módon van konfigurálva. Vagyis a 300 informatikai egység és a 14 vezérlő modul közötti adatátviteli kapcsolaton keresztül a 300 informatikai egység által feldolgozott adatok a 14 vezérlő modulnak továbbíthatók, melyekről később lesz szó.
Neurális háló alatt jelen találmány kontextusában olyan, a 300 informatikai egység segítségével megvalósított párhuzamos, elosztott működésre képes információfeldolgozó eszközt értünk, mely azonos, vagy hasonló típusú lokális feldolgozást végző műveleti elemekl (neuronok) összekapcsolt rendszeréből áll, valamint rendelkezik tanulási algoritmussal és a megtanult információ felhasználását lehetővé tevő információ előhívási algoritmussal, ahogy az a szakember számára ismeretes.
Egy előnyös kiviteli alaknál a digitális 200 kommunikációs csatorna globális informatikai hálózat, előnyösen Internet keretein belül van megvalósítva, de adott esetben olyan kiviteli alakok is elképzelhetők, melyeknél a 200 kommunikációs csatorna egy helyi vezetékes hálózat részét képezi. Megjegyezzük, hogy az adatátviteli kapcsolat fogalmába a közvetlen és a közvetett kapcsolatot is beleértjük. A 200 kommunikációs csatorna által megvalósított adatátviteli kapcsolat lehet vezetékes vagy adott esetben vezetékmentes (pl. WiFi, Bluetooth, stb.) kapcsolat, ahogy az a szakember számára ismeretes.
A találmány tárgya még eljárás a 10 hőmérséklet-szabályozó eszközzel ellátott 20 helyiség belső hőmérsékletének szabályozására, különösen a 20 helyiség hőmérsékletének egy alsó és egy felső Tl, Th hiszterézis hőmérséklet által meghatározott komfort hőmérséklet tartományon belül tartására.
A találmány szerinti eljárás első lépésében a 20 helyiség belső hőmérsékletét a 10 hőmérséklet-szabályozó eszköz segítségével a komfort hőmérséklet tartományon belülre juttatjuk, ahogy az például a 3a ábrán látható. A komfort hőmérséklet tartományt alulról az alsó Tl hiszterézis hőmérséklet, felülről a felső Th hiszterézis hőmérséklet határolja, melyek a felhasználó által beállított Tset bázis hőmérséklettől való megengedett eltérés praktikus maximumait jelölik. Tset bázis hőmérséklet alatt azt a hőmérsékletet értjük, melyet a felhasználó a 20 helyiségben a 10 hőmérséklet-szabályozó eszköz segítségével tartani szeretne.
tn
Ez hideg időben értelemszerűen a 20 helyiség fűtésével (3a ábra), melegben
-7pedig a 20 helyiség hűtésével (3b ábra) valósítható meg. Ezért, ahogy korábban említettük, a 10 hőmérséklet-szabályozó eszköz a körülményektől függően lehet fűtő vagy hűtő test is.
Az eljárás következő lépésében a 10 hőmérséklet-szabályozó eszközt tki kikapcsolási időpontban kikapcsoljuk, majd legalább a hőmérsékletváltozás irányának megváltozásakor mérhető Tsat(O) mért szaturációs hőmérséklet eléréséig mérjük a 20 helyiség hőmérsékletének változását. A 3a ábra szerinti kiviteli példánál - amikor is a 10 hőmérséklet-szabályozó eszköz segítségével a 20 helyiség hőmérsékletét emeljük, vagyis fűtünk - a 10 hőmérséklet-szabályozó eszközt még azelőtt kikapcsoljuk, mielőtt a 20 helyiség hőmérséklete elérné a felső Th hiszterézis hőmérsékletet. A 10 hőmérséklet-szabályozó eszköz kikapcsolását követően a 20 helyiség hőmérséklete a hötehetetlenség miatt egy darabig még tovább emelkedik, majd süllyedni kezd. Vagyis ennél a kiviteli példánál lényegében a tki kikapcsolási időpont után közvetlenül mérhető maximális hőmérséklet lesz a Tsat(O) mért szaturációs hőmérséklet. Ezzel szemben a 3b ábrán látható kiviteli példánál (hűtés) a 10 hőmérséklet-szabályozó eszközt azelőtt kapcsoljuk ki, mielőtt a 20 helyiség hőmérséklete elérné az alsó Tl hiszterézis hőmérsékletet. A 10 hőmérséklet-szabályozó eszköz kikapcsolását követően a 20 helyiség hőmérséklete a hötehetetlenség miatt egy darabig még tovább süllyed, majd emelkedni kezd. Vagyis ennél a kiviteli példánál lényegében a tki kikapcsolási időpont után közvetlenül mérhető minimális hőmérséklet lesz a Tsat(O) mért szaturációs hőmérséklet.
A 20 helyiség hőmérsékletének mérése meghatározott időközönként (pl. másodpercenként) történik például a korábban bemutatott 12 érzékelő segítségével. A mért hőmérséklet adatokból első 01 hőmérséklet idősort, azaz a 20 helyiségnek a 10 hőmérséklet-szabályozó eszköz kikapcsolt állapotában mért hőmérséklet értékeinek időfüggő sorozatát állítjuk elő. A 10 hőmérsékletszabályozó eszköz kikapcsolása, vagyis a tki kikapcsolási időpont meghatározása történhet manuálisan vagy tetszőleges hőmérséklet-szabályozó modell segítségével (beleértve a jelen találmány szerinti eljárást is).
Megjegyezzük, hogy a neurális hálók működésénél tipikusan két fázist különböztethetünk meg. Az első fázis, melyet tanulási fázisnak nevezünk, a ui hálózat kialakítására szolgál, melynek során a hálózatba beépítjük, eltároljuk a ffli ft#
-8mért hőmérséklet adatokban rejtve meglévő információt. Jelen találmány esetén a neurális háló tanítása az első 01 hőmérséklet idősor alapján történik. Mivel a tanulási fázis neurális hálók esetén hosszú iterációkat, tranzienseket, esetleg sikertelen tanulási szakaszokat feltételez, jelen találmány kontextusában az első 01 hőmérséklet idősor alatt adott esetben több tki kikapcsolási időpont után mért hőmérséklet adatsor összességét értjük. A tanulási fázis eredményeként egy információ-feldolgozó rendszert kapunk, melynek használatára a második fázisban (elöhívási fázisban) kerül sor.
Az eljárás következő lépésében (elöhívási fázisban) előnyösen a 300 központi informatikai egységen megvalósított neurális háló segítségével és az első 01 hőmérséklet idősor felhasználásával, az első 01 hőmérséklet idősor jövőbeli alakulását megadó prediktált P1 első hőmérséklet idősort hozunk létre. Jelen találmány kontextusában az első 01 hőmérséklet idősor felhasználása alatt azt értjük, hogy a neurális hálót az első 01 hőmérséklet idősor segítségével tanítjuk be a 20 helyiség hőmérsékletének modellezésére, a 10 hőmérséklet-szabályozó eszköz kikapcsolt állapotát feltételezve. A betanított neurális háló által generált prediktált P1 első hőmérséklet idősor segítségével előre meghatározható, hogy a 10 hőmérséklet-szabályozó eszköz kikapcsolt állapotában hogyan fog változni a 20 helyiség hőmérséklete, vagyis a P1 első hőmérséklet idősor lényegében az első 01 hőmérséklet idősor extrapolációjának tekinthető.
Az eljárás következő lépésében a 10 hőmérséklet-szabályozó eszközt tbe bekapcsolási időpontban bekapcsoljuk és mérjük a 20 helyiség hőmérsékletének változását, legalább a hőmérsékletváltozás irányának megváltozásakor mérhető Tsat(O) mért szaturációs hőmérséklet eléréséig, és a mért hőmérséklet adatokból második 02 hőmérséklet idősort állítunk elő. A 3a ábra szerinti kiviteli példánál a 10 hőmérséklet-szabályozó eszközt még azelőtt bekapcsoljuk, mielőtt a 20 helyiség hőmérséklete elérné az alsó Tl hiszterézis hőmérsékletet. A 10 hőmérséklet-szabályozó eszköz bekapcsolását követően a 20 helyiség hőmérséklete a hőtehetetlenség miatt egy darabig még tovább süllyed, majd emelkedni kezd. Vagyis fűtés esetén lényegében a tbe bekapcsolási időpont után közvetlenül mérhető minimális hőmérséklet lesz a Tsat(O) mért szaturációs hőmérséklet. Ezzel szemben a 3b ábrán látható kiviteli példánál (hűtés) a 10
Mi W hőmérséklet-szabályozó eszközt azelőtt kapcsoljuk be, mielőtt a 20 helyiség
-9hömérséklete elérné a felső Th hiszterézis hőmérsékletet. A 10 hőmérsékletszabályozó eszköz bekapcsolását követően a 20 helyiség hőmérséklete a hőtehetetlenség miatt egy darabig még tovább emelkedik, majd süllyedni kezd. Vagyis ennél a kiviteli példánál lényegében a tbe kikapcsolási időpont után közvetlenül mérhető maximális hőmérséklet lesz a Tsat(O) mért szaturációs hőmérséklet. Az 02 hőmérséklet idősor alatt a 20 helyiségnek a 10 hőmérsékletszabályozó eszköz bekapcsolt állapotában mért hőmérséklet értékeinek időfüggő sorozatát értjük. A 10 hőmérséklet-szabályozó eszköz bekapcsolása, vagyis a tbe bekapcsolási időpont meghatározása - a tki kikapcsolási időponthoz hasonlóan történhet manuálisan vagy tetszőleges hőmérséklet-szabályozó modell segítségével (beleértve a találmány szerinti eljárást is).
Az eljárás következő lépésében neurális háló segítségével és a második 02 hőmérséklet idősor felhasználásával, a második 02 hőmérséklet idősor jövőbeli alakulását megadó prediktált P2 második hőmérséklet idősort hozunk létre. Jelen találmány kontextusában a második 02 hőmérséklet idősor felhasználása alatt azt értjük, hogy a neurális hálót a második 02 hőmérséklet idősor segítségével tanítjuk be a 20 helyiség hőmérsékletének modellezésére, a 10 hőmérséklet-szabályozó eszköz bekapcsolt állapotát feltételezve.
A neurális háló által generált prediktált P2 második hőmérséklet idősor segítségével előre meghatározható, hogy a 10 hőmérséklet-szabályozó eszköz bekapcsolt állapotában hogyan fog változni a 20 helyiség hőmérséklete, vagyis a P2 második hőmérséklet idősor lényegében a második 02 hőmérséklet idősor extrapolációjának tekinthető. Megjegyezzük, hogy a második 02 hőmérséklet idősor alatt - az első 01 hőmérséklet idősorhoz hasonlóan - adott esetben több tbe bekapcsolási időpont után mért hőmérséklet adatsor összességét értjük. Egy előnyös kiviteli példánál a prediktált első és második 01, 02 hőmérséklet idősorok előállításához long short-term memory (LSTM) neurális hálózat architektúrát használunk, ahogy az a szakember számára ismeretes.
Az eljárás következő lépésében a prediktált P2 második hőmérséklet idősor elemeihez, mint kikapcsolási időpontokhoz, neurális háló segítségével és az első 01 hőmérséklet idősor felhasználásával TSat(P) jósolt szaturációs hőmérséklet értékeket határozunk meg. Másként fogalmazva, az első 01
Ml ft hőmérséklet idősor felhasználásával betanított neurális háló segítségével
-10meghatározzuk, hogy a 20 helyiség hőmérséklete milyen szaturációs hőmérsékletet érne el, amennyiben a 10 hőmérséklet szabályozó eszközt a P2 második hőmérséklet idősor adott eleménél (mint lehetséges tw kikapcsolási időpontban) kikapcsolnánk. Egy előnyös kiviteli példánál a Tsat(P) jósolt szaturációs hőmérséklet értékek meghatározásához long short-term memory (LSTM) vagy 1dimenziós konvolúciós neurális hálózat architektúrát használunk, amely neurális hálók a szakember számára ismeretesek.
Az így meghatározott Tsat(P) jósolt szaturációs hőmérséklet értékeket közül kiválasztjuk a megfelelő Tl, Th hiszterézis hőmérséklethez legközelebb eső Tsat(P)* szaturációs hőmérséklet értéket. Jelen esetben megfelelő Tl, Th hiszterézis hőmérséklet alatt fűtés esetén értelemszerűen a felső Th hiszterézis hőmérsékletet, hűtés esetén pedig az alsó Tl hiszterézis hőmérsékletet értjük, ahogy az a szakember számára nyilvánvaló (lásd 3a és 3b ábrák). A neurális háló segítségével meghatározott Tsat(P) jósolt szaturációs hőmérséklet értékek közül a megfelelő Tl, Th hiszterézis hőmérséklethez legközelebb eső Tsat(P)* szaturációs hőmérsékletet az alsó és felső Tl, Th hiszterézis hőmérsékletek által meghatározott komfort hőmérséklet tartományon belülről választjuk ki. Másként fogalmazva, azokat a Tsat(P) jósolt szaturációs hőmérséklet értékeket, melyek a komfort hőmérséklet tartományon kívül esnek, nem vesszük figyelembe. Egy lehetséges kiviteli példánál az alsó és felső Tl, Th hiszterézis hőmérsékletek környezetében - a komfort hőmérséklet tartományon belül eső - ÁTtoi hőmérséklet tolerancia tartományokat határozunk meg, és a neurális háló segítségével meghatározott Tsat(P) jósolt szaturációs hőmérséklet értékek közül a megfelelő Tl, Th hiszterézis hőmérséklethez legközelebb eső Tsat(p>* szaturációs hőmérsékletet a megfelelő ÁTtoi hőmérséklet tolerancia tartományon belülről választjuk ki. A ÁTtoi hőmérséklet tolerancia tartományok méretét úgy választjuk meg, hogy az azokon belül eső Tsat(P)* szaturációs hőmérséklet értékek az adott alkalmazás szempontjából egyformán jónak tekinthetők legyenek. Ennek a kiviteli példának az előnye az, hogy így nem szükséges a P2 második hőmérséklet idősor valamennyi elemére Tsat(P) jósolt szaturációs hőmérséklet értéket meghatározni, hiszen amennyiben valamelyik Tsat(P) jósolt szaturációs hőmérséklet a megfelelő ÁTtoi hőmérséklet tolerancia tartományon belül esik, azt automatikusan Tsat(P)' szaturációs hőmérsékletnek választjuk.
-11 Miután kiválasztottuk a Tsat(P)* szaturációs hőmérséklet értéket, a prediktált P2 második hőmérséklet idősornak a kiválasztott Tsat(P)* szaturációs hőmérséklet értékhez tartozó eleméből tki kikapcsolási időpontot határozunk meg, majd a 10 hőmérséklet-szabályozó eszközt az így meghatározott tki kikapcsolási időpontban kikapcsoljuk.
A 10 hőmérséklet-szabályozó eszköz kikapcsolását követően mérjük a 20 helyiség hőmérsékletének változását, majd a fent ismertetett módon létrehozzuk az első 01 hőmérséklet idősort, valamint a prediktált P1 első hőmérséklet idősort. A prediktált P1 első hőmérséklet idősor elemeihez, mint tbe bekapcsolási időpontokhoz, neurális háló segítségével és a második 02 hőmérséklet idősor felhasználásával Tsat(P) jósolt szaturációs hőmérséklet értékeket határozunk meg. Másként fogalmazva, a második 02 hőmérséklet idősor felhasználásával betanított neurális háló segítségével meghatározzuk, hogy a 20 helyiség hőmérséklete milyen szaturációs hőmérsékletet érne el, amennyiben a 10 hőmérséklet szabályozó eszközt a P1 első hőmérséklet idősor adott eleménél (mint lehetséges tbe bekapcsolási időpontban) bekapcsolnánk. Ezt követően az előállított Tsat(P) jósolt szaturációs hőmérséklet értékek közül - a fent leírtak szerint - kiválasztjuk a megfelelő Tl, Th hiszterézis hőmérséklethez legközelebb eső Tsat(P)* szaturációs hőmérséklet értéket, majd a prediktált P1 első hőmérséklet idősornak a kiválasztott Tsat(p>* szaturációs hőmérséklet értékhez tartozó eleméből tbe bekapcsolási időpontot határozunk meg és a 10 hőmérséklet-szabályozó eszközt a tbe bekapcsolási időpontban bekapcsoljuk.
Megjegyezzük, hogy a találmány szerinti eljárásban alkalmazott neurális háló esetén a tanulási és elöhívási fázisok időben nem különülnek el élesen egymástól, vagyis a neurális háló az idő előrehaladtával folyamatosan tanul oly módon, hogy a prediktált hőmérséklet idősorok értékeit, valamint a jósolt szaturációs hőmérsékleteket összeveti a ténylegesen mérhető hőmérséklet értékekkel. Erre azért van szükség, mert a 20 helyiség környezeti paraméterei (pl. külső hőmérséklet, napsugárzás), illetve a felhasználói szokások folyamatosan változnak, így az információ-feldolgozó eljárásnak is változni kell. A találmánynál alkalmazott neurális hálóra is jellemző azonban, hogy egy hosszabb, tisztán tanulási szakasz előzi meg a párhuzamos tanulási-előhívási szakaszt, melynek m 05 során a tbe bekapcsolási, valamint tki kikapcsolási időpontokat például manuálisan
-12vagy más, ismert hőmérséklet-szabályozó modell (pl. PID) segítségével adjuk meg.
Világos, hogy a szakember által más, az itt bemutatott kiviteli alakokhoz képest alternatív megoldások is elképzelhetőek, amelyek azonban az 5 igénypontokkal meghatározott oltalmi körön belül esnek.
Claims (7)
1. Eljárás hőmérséklet-szabályozó eszközzel (10) ellátott helyiség (20) hőmérsékletének szabályozására, különösen a helyiség (20) hőmérsékletének egy 5 alsó és egy felső hiszterézis hőmérséklet (Tl, Th) által meghatározott komfort hőmérséklet tartományon belül tartására, azzal jellemezve, hogy
- a helyiség (20) hőmérsékletét a hőmérséklet-szabályozó eszköz (10) segítségével a komfort hőmérséklet tartományon belülre juttatjuk, majd
- a hőmérséklet-szabályozó eszközt (10) kikapcsolási időpontban (tki) 10 kikapcsoljuk és mérjük a helyiség (20) hőmérsékletének változását, legalább a hömérsékletváltozás irányának megváltozásakor mérhető mért szaturációs hőmérséklet (Tsat<0)) eléréséig, és a mért hőmérséklet adatokból első hőmérséklet idősort (01) állítunk elő, majd neurális háló segítségével és az első hőmérséklet idősor (01) felhasználásával, az első hőmérséklet idősor (01) jövőbeli változását 15 megadó prediktált első hőmérséklet idősort (P1) hozunk létre,
- a hőmérséklet-szabályozó eszközt (10) bekapcsolási időpontban (tbe) bekapcsoljuk és mérjük a helyiség (20) hőmérsékletének változását, legalább a hőmérsékletváltozás irányának megváltozásakor mérhető mért szaturációs hőmérséklet (Tsat(O)) eléréséig, és a mért hőmérséklet adatokból második 20 hőmérséklet idősort (02) állítunk elő, majd neurális háló segítségével és a második hőmérséklet idősor (02) felhasználásával, a második hőmérséklet idősor (02) jövőbeli változását megadó prediktált második hőmérséklet idősort (P2) állítunk elő,
- a prediktált második hőmérséklet idősor (P2) elemeihez, mint 25 kikapcsolási időpontokhoz (tki), neurális háló segítségével és az első hőmérséklet idősor (01) felhasználásával jósolt szaturációs hőmérséklet értékeket (TSat(P)) határozunk meg, és a meghatározott jósolt szaturációs hőmérséklet értékeket (Tsat(P)) közül kiválasztjuk a megfelelő hiszterézis hőmérséklethez (Th, Tl) legközelebb esőt,
30 - a prediktált második hőmérséklet idősornak (P2) a kiválasztott jósolt szaturációs hőmérséklet értékhez (Tsat(P)*) tartozó eleméből kikapcsolási időpontot i '18···
H
-14(tki) határozunk meg, majd a hőmérséklet-szabályozó eszközt (10) a meghatározott kikapcsolási időpontban (tkí) kikapcsoljuk,
- a prediktált első hőmérséklet idősor elemeihez (P1), mint bekapcsolási időpontokhoz (tbe), neurális háló segítségével és a második hőmérséklet idősor (02) felhasználásával jósolt szaturációs hőmérséklet értékeket (Tsat(P)) határozunk meg, és a meghatározott jósolt szaturációs hőmérséklet értékek (Tsat(P)) közül kiválasztjuk a megfelelő hiszterézis hőmérséklethez legközelebb esőt,
- a prediktált első hőmérséklet idősornak (P1) a kiválasztott jósolt szaturációs hőmérséklet értékhez (Tsat(P)*) tartozó eleméből bekapcsolási időpontot (tbe) határozunk meg, majd a hőmérséklet-szabályozó eszközt (10) a bekapcsolási időpontban (tbe) bekapcsoljuk.
2. Az 1. igénypont szerinti eljárás, azzal jellemezve, hogy az alsó és felső hiszterézis hőmérsékletek (Tl, Th) környezetében hőmérséklet tolerancia tartományokat (ATtoi) határozunk meg, és a neurális háló segítségével meghatározott jósolt szaturációs hőmérséklet értékek (Tsat(P)) közül a megfelelő hiszterézis hőmérséklethez (Tl, Th) legközelebb eső jósolt szaturációs hőmérsékletet (Tsat(P)*) a megfelelő hőmérséklet tolerancia tartományon (ATtoi) belülről választjuk ki.
3. Az 1. vagy 2. igénypont szerinti eljárás, azzal jellemezve, hogy a jósolt szaturációs hőmérséklet értékek (Tsat(P)) meghatározásához long short-term memory (LSTM) vagy 1-dimenziós konvolúciós neurális hálózat architektúrát használunk.
4. Az 1 - 3. igénypontok bármelyike szerinti eljárás, azzal jellemezve, hogy a prediktált első és második hőmérséklet idősorok (P1, P2) előállításához long short-term memory (LSTM) neurális hálózat architektúrát használunk.
5. Rendszer (100) az 1 - 4. igénypontok szerinti eljárás megvalósítására, azzal jellemezve, hogy a helyiség (20) belső hőmérsékletének mérésére és a mért hőmérséklet adatok továbbítására alkalmas hőmérséklet-érzékelőt (12), a ft W ft ft H hőmérséklet-szabályozó eszköz (10) ki-be kapcsolására alkalmas vezérlő modult
-15tn ft ft m cm (14), valamint a vezérlő modullal (14) és a hőmérséklet-érzékelővel (12) digitális kommunikációs csatornán (200) keresztül adatkapcsolatban álló, neurális háló megvalósítására alkalmasan kialakított távoli központi informatikai egységet (300) tartalmaz, amely központi informatikai egység (300) a hőmérséklet-érzékelőtől
5 (12) fogadott hőmérséklet adatok alapján vezérlőjel előállítására és vezérlő modulnak (14) történő továbbítására alkalmas módon van konfigurálva, és a vezérlő modul (14) a fogadott vezérlőjel eltárolására és végrehajtására alkalmas módon van konfigurálva.
10
6. Az 5. igénypont szerinti rendszer (100), azzal jellemezve, hogy a digitális kommunikációs csatorna (200) globális informatikai hálózat, előnyösen Internet keretein belül van megvalósítva.
7. Az 5. vagy 6. igénypont szerinti rendszer (100), azzal jellemezve, hogy
15 a hőmérséklet-érzékelő (12) és a vezérlő modul (14) egyetlen egységként, előnyösen termosztátként (16) van kialakítva.
Priority Applications (5)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| HUP1900250A HU231512B1 (hu) | 2019-07-12 | 2019-07-12 | Eljárás és rendszer helyiség hőmérsékletének szabályozására |
| EP20780786.8A EP3997545B1 (en) | 2019-07-12 | 2020-07-13 | Method and system for controlling the temperature of a room |
| PCT/HU2020/050030 WO2021009527A1 (en) | 2019-07-12 | 2020-07-13 | Method and system for controlling the temperature of a room |
| US17/625,648 US12025331B2 (en) | 2019-07-12 | 2020-07-13 | Method and system for controlling the temperature of a room |
| CA3146017A CA3146017A1 (en) | 2019-07-12 | 2020-07-13 | Method and system for controlling the temperature of a room |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| HUP1900250A HU231512B1 (hu) | 2019-07-12 | 2019-07-12 | Eljárás és rendszer helyiség hőmérsékletének szabályozására |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| HUP1900250A1 HUP1900250A1 (hu) | 2021-01-28 |
| HU231512B1 true HU231512B1 (hu) | 2024-05-28 |
Family
ID=89992941
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| HUP1900250A HU231512B1 (hu) | 2019-07-12 | 2019-07-12 | Eljárás és rendszer helyiség hőmérsékletének szabályozására |
Country Status (5)
| Country | Link |
|---|---|
| US (1) | US12025331B2 (hu) |
| EP (1) | EP3997545B1 (hu) |
| CA (1) | CA3146017A1 (hu) |
| HU (1) | HU231512B1 (hu) |
| WO (1) | WO2021009527A1 (hu) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113203070B (zh) * | 2021-05-17 | 2022-12-20 | 佛山市爱居光电有限公司 | 一种带有应急功能的led红外感应灯 |
| WO2024031177A1 (en) * | 2022-08-12 | 2024-02-15 | BrainBox AI Inc. | Reduced-data training of neural networks for hvac control |
| CN116534237B (zh) * | 2023-07-06 | 2023-09-12 | 浙江浙能迈领环境科技有限公司 | 船用甲醇供应方法及其*** |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE19804565C2 (de) * | 1998-02-05 | 2000-01-27 | Christoph Kummerer | Selbstlernendes Regelverfahren |
-
2019
- 2019-07-12 HU HUP1900250A patent/HU231512B1/hu unknown
-
2020
- 2020-07-13 WO PCT/HU2020/050030 patent/WO2021009527A1/en unknown
- 2020-07-13 EP EP20780786.8A patent/EP3997545B1/en active Active
- 2020-07-13 CA CA3146017A patent/CA3146017A1/en active Pending
- 2020-07-13 US US17/625,648 patent/US12025331B2/en active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CA3146017A1 (en) | 2021-01-21 |
| EP3997545A1 (en) | 2022-05-18 |
| US12025331B2 (en) | 2024-07-02 |
| EP3997545B1 (en) | 2024-01-24 |
| US20220316738A1 (en) | 2022-10-06 |
| WO2021009527A1 (en) | 2021-01-21 |
| HUP1900250A1 (hu) | 2021-01-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10012407B2 (en) | Heating controls and methods for an environmental control system | |
| CA2885868C (en) | Radiant heating controls and methods for an environmental control system | |
| US9429961B2 (en) | Data-driven HVAC optimization | |
| EP3997545B1 (en) | Method and system for controlling the temperature of a room | |
| US20120230661A1 (en) | Apparatus and Method for Control of a Thermostat | |
| US8086353B2 (en) | Heating system control based on required heating power | |
| US20160146497A1 (en) | Maintaining an attribute of a building | |
| Viot et al. | Model predictive control of a thermally activated building system to improve energy management of an experimental building: Part II-Potential of predictive strategy | |
| US10564660B2 (en) | Water heater energy management controller | |
| US4671457A (en) | Method and apparatus for controlling room temperature | |
| CN108224690B (zh) | 用于平衡建筑物内的温度的***和方法 | |
| KR20220014311A (ko) | 난방 시스템 및 그 동작방법 | |
| US20240053044A1 (en) | Thermostat for conveying expected thermal responses to users | |
| US20160047567A1 (en) | System and method for climate control in a building | |
| US11885508B2 (en) | Response slope based hydronic control system and method | |
| CN105759629A (zh) | 环境控制方法及其*** | |
| Lute et al. | Optimal indoor temperature control using a predictor | |
| JP7499851B2 (ja) | 室内温度推定装置、プログラム、室内温度推定方法及び温度制御機器 | |
| GB2508238A (en) | Apparatus arranged to control a space heating/cooling system | |
| CN109424781B (zh) | 用于限定阀孔的***和方法 | |
| IT202000016474A1 (it) | Sistema e metodo per la gestione ed ottimizzazione delle misurazioni della temperatura di un edificio volto alla realizzazione di un sistema di controllo automatico | |
| US20240027089A1 (en) | Apparatus and method for predicting amount of temperature change of target zone | |
| KR102607305B1 (ko) | 대상 구역의 각 지점들의 실내 온도를 고르게 변화시키는 정도로 정의되는 복수의 냉난방기의 열적 영향도를 산출하는 장치 및 방법 | |
| CZ30574U1 (cs) | Zařízení pro regulaci otopné soustavy |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| HC9A | Change of name, address |
Owner name: SZARVAS PETER, HU Free format text: FORMER OWNER(S): SZARVAS PETER, HU |