Содержание
40%
общего энергопотребления США приходится на здания
73%
потребления электроэнергии в США обеспечивается зданиями
90%
времени люди проводят в помещениях
1. Введение
Здания оказывают значительное влияние на здоровье, благополучие, безопасность и производительность людей, поскольку примерно 90% своего времени они проводят в помещениях. Энергия, потребляемая зданиями для поддержания комфортных и безопасных условий, вносит существенный вклад в изменение климата, составляя 40% от общего энергопотребления, 73% от потребления электроэнергии и 40% от выбросов парниковых газов в США.
Экосистема интеллектуальных зданий состоит из трех взаимосвязанных уровней: кластер зданий, отдельное здание и уровень отдельного пользователя. Эта иерархическая структура позволяет осуществлять комплексную оптимизацию энергопотребления при сохранении комфорта и продуктивности occupants. Интеграция устройств Интернета вещей (IoT) увеличила сложность взаимодействий пользователь-устройство и устройство-устройство, что требует расширенных возможностей обработки данных.
Ключевые выводы
- Машинное обучение позволяет осуществлять оптимизацию систем здания в реальном времени
- Экономия энергии 15-30% достижима при внедрении машинного обучения
- Метрики комфорта occupants могут быть количественно измерены и оптимизированы
- Интеграция с интеллектуальными сетями обеспечивает двусторонний поток энергии
2. Парадигмы машинного обучения для интеллектуальных зданий
2.1 Подходы с учителем
Методы обучения с учителем широко применяются для управления энергопотреблением зданий. Регрессионные модели прогнозируют энергопотребление на основе исторических данных, погодных условий и паттернов присутствия людей. Алгоритмы классификации идентифицируют операционные паттерны и обнаруживают аномалии в системах зданий.
2.2 Обучение с подкреплением для управления
Обучение с подкреплением (RL) обеспечивает адаптивное управление системами зданий путем изучения оптимальных политик через взаимодействие с окружающей средой. Агенты RL могут оптимизировать работу систем ОВКВ, графики освещения и системы накопления энергии, балансируя несколько целей, включая энергоэффективность, комфорт occupants и срок службы оборудования.
2.3 Архитектуры глубокого обучения
Модели глубокого обучения, в частности рекуррентные нейронные сети (RNN) и сверточные нейронные сети (CNN), обрабатывают временные последовательности данных сенсоров и пространственные паттерны в планировках зданий. Эти архитектуры обеспечивают сложное распознавание образов и прогнозирующие возможности для комплексных систем зданий.
3. Системы и компоненты интеллектуальных зданий
3.1 Оптимизация систем ОВКВ
Системы отопления, вентиляции и кондиционирования воздуха (ОВКВ) представляют собой крупнейших потребителей энергии в зданиях. Машинное обучение оптимизирует уставки, расписания и последовательность работы оборудования для минимизации энергопотребления при сохранении теплового комфорта. Алгоритмы прогнозирующего обслуживания обнаруживают деградацию оборудования до возникновения отказов.
3.2 Системы управления освещением
Интеллектуальные системы освещения используют датчики присутствия, использование естественного освещения и персонализированные предпочтения для снижения энергопотребления. Алгоритмы машинного обучения изучают паттерны присутствия и соответствующим образом регулируют уровни освещения, достигая значительной экономии энергии без ущерба для визуального комфорта.
3.3 Обнаружение и прогнозирование присутствия людей
Точная информация о присутствии людей позволяет осуществлять управление системами зданий на основе спроса. Модели машинного обучения обрабатывают данные с различных датчиков, включая датчики CO2, детекторы движения и подключения Wi-Fi, для оценки и прогнозирования паттернов присутствия на различных временных масштабах.
4. Техническая реализация
4.1 Математические основы
Основная задача оптимизации в интеллектуальных зданиях может быть сформулирована как:
$\min_{u} \sum_{t=1}^{T} [E_t(u_t) + \lambda C_t(x_t, u_t)]$
при условиях:
$x_{t+1} = f(x_t, u_t, w_t)$
$g(x_t, u_t) \leq 0$
где $E_t$ представляет энергопотребление, $C_t$ представляет нарушение комфорта, $x_t$ - состояние системы, $u_t$ - управляющее воздействие, а $w_t$ представляет возмущения.
4.2 Экспериментальные результаты
Экспериментальные реализации демонстрируют значительные улучшения в энергоэффективности. В исследовании случая, реализующем глубокое обучение с подкреплением для управления ОВКВ, была достигнута экономия энергии 23% при сохранении теплового комфорта в пределах ±0.5°C от уставок. Системы управления освещением, использующие прогнозирование присутствия, снизили энергопотребление на 31% по сравнению с традиционными подходами к планированию.
Рисунок 1: Таксономия экосистемы интеллектуальных зданий
Таксономия иллюстрирует эксплуатацию зданий на трех уровнях: уровень кластера зданий (энергообмен между зданиями), уровень отдельного здания (оптимизация на уровне системы) и уровень отдельного пользователя (персонализированный комфорт и управление).
4.3 Реализация кода
Ниже представлена упрощенная реализация на Python для прогнозирования энергопотребления здания с использованием градиентного бустинга:
import pandas as pd
from sklearn.ensemble import GradientBoostingRegressor
from sklearn.model_selection import train_test_split
# Загрузка данных об энергопотреблении здания
data = pd.read_csv('building_energy.csv')
features = ['temperature', 'humidity', 'occupancy', 'time_of_day']
target = 'energy_consumption'
# Подготовка обучающих и тестовых наборов
X_train, X_test, y_train, y_test = train_test_split(
data[features], data[target], test_size=0.2, random_state=42
)
# Обучение модели градиентного бустинга
model = GradientBoostingRegressor(
n_estimators=100,
learning_rate=0.1,
max_depth=5
)
model.fit(X_train, y_train)
# Прогнозирование и оценка
predictions = model.predict(X_test)
mae = mean_absolute_error(y_test, predictions)
print(f"Mean Absolute Error: {mae:.2f} kWh")5. Будущие применения и направления исследований
Будущие направления исследований включают интеграцию цифровых двойников для моделирования зданий в реальном времени, федеративное обучение для совместного обучения моделей с сохранением конфиденциальности в нескольких зданиях и объяснимый ИИ для интерпретируемого принятия решений в критических операциях зданий. Конвергенция 5G-связи, периферийных вычислений и машинного обучения позволит осуществлять оптимизацию в реальном времени в беспрецедентных масштабах.
Новые применения включают персонализированные модели комфорта, адаптирующиеся к индивидуальным предпочтениям, устойчивые операции зданий, способные выдерживать экстремальные погодные явления, и здания с эффективным взаимодействием с сетью, предоставляющие услуги управления спросом для электрической сети.
Оригинальный анализ: Конвергенция машинного обучения и строительной науки
Этот всесторонний обзор демонстрирует преобразующий потенциал машинного обучения в решении критической задачи энергоэффективности зданий. Авторы эффективно преодолевают разрыв между теоретическими парадигмами машинного обучения и практическими применениями в зданиях, подчеркивая, как методы компьютерных наук могут решать реальные проблемы в построенной среде. Сообщаемая экономия энергии 15-30% согласуется с выводами Управления строительных технологий Министерства энергетики США, которое задокументировало аналогичные улучшения в зданиях, оптимизированных с помощью машинного обучения.
Отличительной особенностью этой работы является ее системный подход к категоризации применений машинного обучения в различных системах зданий. В отличие от предыдущих обзоров, сосредоточенных на отдельных применениях, эта статья предоставляет целостную структуру, учитывающую взаимосвязанную природу операций зданий. Трехуровневая таксономия (кластер зданий, отдельное здание, уровень пользователя) перекликается с иерархическими структурами управления, используемыми в промышленной автоматизации, что свидетельствует о созревании исследований интеллектуальных зданий в сторону интегрированного системного мышления.
Раздел технической реализации раскрывает математическую сложность, необходимую для эффективной оптимизации зданий. Формулировка задачи оптимизации как ограниченного марковского процесса принятия решений (MDP) демонстрирует, как обучение с подкреплением может балансировать конкурирующие цели - задача, с которой традиционные системы управления борются. Этот подход имеет концептуальное сходство с фреймворками многокритериальной оптимизации, используемыми в автономных системах, как обсуждается в литературе по обучению с подкреплением DeepMind.
Однако обзор мог бы выиграть от более глубокого обсуждения проблем трансферного обучения. Здания демонстрируют значительную гетерогенность в дизайне, паттернах использования и климатических условиях, что затрудняет обобщение моделей. Недавняя работа по мета-обучению для зданий, такая как опубликованная в Applied Energy, показывает перспективность в решении этой задачи путем обучения на нескольких зданиях одновременно.
Очерченные будущие направления согласуются с новыми тенденциями как в ИИ, так и в строительной науке. Упоминание цифровых двойников отражает растущий интерес к киберфизическим системам, в то время как федеративное обучение решает критические проблемы конфиденциальности при сборе данных о пользователях. По мере того как здания становятся более оснащенными приборами и подключенными, интеграция машинного обучения, вероятно, последует траектории, аналогичной другим областям, преобразованным ИИ - начиная с оптимизации отдельных компонентов и прогрессируя к полностью автономным, самооптимизирующимся системам зданий.
6. Ссылки
- U.S. Energy Information Administration. (2022). Annual Energy Outlook 2022. Washington, DC.
- Drgona, J., et al. (2020). All you need to know about model predictive control for buildings. Annual Reviews in Control, 50, 90-123.
- Zhu, J., et al. (2022). Transfer Learning for Cross-Building Energy Forecasting. IEEE Transactions on Sustainable Energy, 13(2), 1158-1169.
- U.S. Department of Energy. (2021). A National Roadmap for Grid-Interactive Efficient Buildings. Washington, DC.
- DeepMind. (2022). Reinforcement Learning for Real-World Applications. Nature Machine Intelligence, 4(5), 412-423.
- Wang, Z., et al. (2023). Meta-Learning for Building Energy Management. Applied Energy, 332, 120456.