For at spare energi, AI rydder op i overskyede vejrudsigter

Hvis vejrudsigten kalder på regn, du skal nok pakke en paraply. Hvis det kalder på kulde, du må gerne medbringe vanter. Den samme form for forberedelse sker i bygninger, hvor sofistikerede varme- og kølesystemer justerer sig selv baseret på det forudsagte vejr.

Men når prognosen er ufuldkommen – som den ofte er – kan bygninger ende med at spilde energi, ligesom vi kan finde os selv våde, kolde eller belastet med ekstra lag, vi ikke har brug for.

En ny tilgang udviklet af Fengqi You, professor i energisystemteknik ved Cornell University, forudsiger nøjagtigheden af ​​vejrudsigten ved hjælp af en maskinlæringsmodel trænet med års data om prognoser og faktiske vejrforhold. Du kombinerede den forudsigelse med en matematisk model, der tager højde for bygningsegenskaber, herunder størrelsen og formen af ​​værelser, byggematerialerne, placeringen af ​​sensorer og placeringen af ​​vinduer.

Resultatet er et smart kontrolsystem, der kan reducere energiforbruget med op til 10 procent, ifølge et casestudie, som hans team udførte på Toboggan Lodge, en næsten 90 år gammel bygning på Cornells campus.

"Hvis selve bygningen kunne være 'smart' nok til at kende vejrforholdene, eller i det mindste på en eller anden måde forstå lidt mere om vejrudsigtsinformationen, den kunne foretage bedre justeringer for automatisk at kontrollere sine varme- og kølesystemer for at spare energi og gøre beboerne mere komfortable, " sagde du, hvis papir, "En datadrevet robust optimeringstilgang til scenariebaseret stokastisk model forudsigelig kontrol, " offentliggjort i Journal of Process Control .

"For eksempel, hvis jeg ved, at solen snart kommer op, det bliver varmt, så skal jeg nok ikke varme huset så meget op. Hvis jeg ved, at der kommer en storm i nat, så prøver jeg at varme lidt op, så jeg kan holde et behageligt niveau, " Du sagde. "Vi forsøger at gøre energisystemet smart, så det kan forudsige lidt af fremtiden og træffe de optimale beslutninger."

Avisens første forfatter er Chao Shang, tidligere Cornell postdoc i You's laboratorium og nu assisterende professor i automatisering ved Tsinghua University. Et hold af masterstuderende hjalp med at udvikle Toboggan Lodge casestudiet, ud over at indsamle års historiske vejr- og klimadata for at træne maskinlæringsmodellen.

Med disse oplysninger, modellen kan registrere usikkerhed ikke kun i temperatur, men i nedbør, sollys og forskelle i forhold efter sted. Baseret på usikkerhedsniveauet i prognosen, modellen tilpasser sig selv derefter.

"Selv det bedste vejrudsigtssystem vil ikke give dig den mest nøjagtige information, " sagde du. "Plus, vejrudsigtsoplysningerne er normalt for en bestemt region, men ikke en bestemt placering."

Ved at kombinere maskinlæringsalgoritmerne og de matematiske programmeringsmetoder skabes et kontrolsystem, der er mere nøjagtigt og "smartere", end nogen af ​​dem ville være alene, Du sagde. Rammen har potentielle anvendelser i bygningskontrolsystemer og vandingskontrol i landbruget, og kunne bruges til mere effektiv indendørs miljøkontrol i vertikale gårde og plantefabrikker, der er stadig mere populære i store byer.

"Vi har ikke en perfekt måde at forudsige vejret på, så det bedste, vi kan gøre, er at kombinere kunstig intelligens og mekanistisk modellering sammen, " sagde han. "Disse to dele er aldrig før blevet harmoniseret på en systematisk måde til automatisk kontrol og energistyring."