En smart måde at forudsige bygningers energiforbrug

I en tid med aldrende infrastruktur og stadig mere intelligent kontrol med bygninger, evnen til at forudsige, hvordan bygninger bruger energi - og hvor meget energi de bruger - er forblevet uhåndgribelig, indtil nu.

Forskere fra Saudi-Arabien, Kina og USA samarbejdede om at udvikle en smartere måde at forudsige energiforbruget gennem en metode, der involverede kunstige systemer, beregningseksperimenter og parallel computing. De offentliggjorde deres resultater i IEEE/CAA Journal of Automatica Sinica .

"Generelt, det er udfordrende at forudsige bygningers energiforbrug netop på grund af mange indflydelsesrige miljøfaktorer, der er korreleret til energiforbrug, såsom udendørstemperatur, fugtighed, ugedagen, og særlige begivenheder, " sagde Abdulaziz Almalaq, papirforfatter og adjunkt ved Institut for Elektroteknik på University of Hails Engineering College i Saudi-Arabien.

"Mens miljøparametre er nyttige ressourcer til forudsigelse af energiforbrug, forudsigelse ved hjælp af et stort antal af en bygnings driftsparametre, såsom stuetemperatur, store apparater og varme, ventilation, og klimaanlæg (HVAC) systemparametre, er et ret kompliceret problem, sammenlignet med forudsigelse, der kun bruger historiske data."

Ifølge Almalaq, miljøparametrene er nyttige, men begrænsede. For eksempel, to ens bygninger i ens rammer kan have meget forskellige energiforbrug baseret på, hvordan bygningerne bruges. Selvom begge bygninger holdes ved samme temperatur, en bygnings HVAC-system skal bruge mere energi, hvis den bygning afholder et arrangement med et par hundrede mennesker.

"Den nøjagtige forudsigelse af energiforbruget på et bestemt tidspunkt under mange udendørs og indvendige forhold bliver et væsentligt skridt til at forbedre energieffektiviteten og styringen i en smart bygning, " sagde Almalaq.

Almalaq og hans team brugte hybride deep learning-algoritmer, kombineret med kunstige systemer, beregningseksperimenter og parallel beregningsteori baseret på komplekse, men generisk, systemer. Da den blev testet ved hjælp af ægte bygning ved University of Colorado Denver, metoden var markant med til at forbedre energistyringen.

"Analysen udført i dette papir viste, at den hybride deep learning-model er et kraftfuldt kunstig intelligensværktøj til modellering af multivariable komplekse systemer, " sagde Almalaq. "Det har potentialet til at blive anvendt på forskellige områder, såsom smart office, det smarte hjem og den smarte by. "