HyperAI超神经

في السنوات الأخيرة، أدى الارتفاع السريع في انبعاثات الكربون الناجم عن عملية التحضر المتسارعة إلى تهديد البيئة العالمية بشكل خطير. وقد حددت العديد من البلدان نقاطًا زمنية واضحة لـ "ذروة الكربون والحياد الكربوني"، وبدأت "الثورة الخضراء" التي تغطي العالم أجمع وجميع الصناعات. من بين جميع الصناعات، تعد المباني بلا شك أكبر مستهلك للطاقة، كما أن نظام التدفئة والتهوية وتكييف الهواء هو الأكثر تضرراً. تشير البيانات ذات الصلة إلى أن التدفئة والتهوية وتكييف الهواء (HVAC) تمثل 38% من استهلاك الطاقة في المباني على مستوى العالم.

استجابة لاستهلاك الطاقة المرتفع في المباني، تعمل الصناعة في كثير من الأحيان على تحسين كفاءة تشغيل المعدات واستخدام التحكم الذكي لتنظيم استهلاك الطاقة في الوقت الفعلي. ومن بينها، فيما يتعلق بالتحكم في تشغيل المبرد، يعد التنبؤ بالحمل البارد طريقة مهمة لتحسين التحكم في تسلسل المبرد. يمكنه تجاهل التغييرات المؤقتة في الحمل البارد وتجنب التبديل غير الضروري لمعدات التدفئة والتهوية وتكييف الهواء والمبردات، وبالتالي تقليل الاستهلاك الناجم عن بدء التشغيل والإيقاف.

بالإضافة إلى ذلك، تتمتع المناطق المختلفة بظروف مناخية مختلفة، مما يؤدي إلى استهلاك مختلف لأنظمة التدفئة والتهوية وتكييف الهواء. على سبيل المثال، تتمتع هونج كونج بمناخ استوائي، ويشكل استهلاك الطاقة في أنظمة التدفئة والتهوية وتكييف الهواء نسبة أعلى. في "تحدي الذكاء الاصطناعي العالمي لبناء المرافق الكهربائية والميكانيكية" الذي نظمته إدارة الخدمات الكهربائية والميكانيكية في منطقة هونغ كونغ الإدارية الخاصة،اقترح باحثون من جامعة لينجنان وجامعة مدينة هونج كونج نموذجًا جديدًا للتعلم الديناميكي متعدد الوسائط (DEMMFL) للتنبؤ بدقة بأحمال تبريد المباني على المدى الطويل، وبالتالي تحقيق أهداف الحفاظ على الطاقة..

احصل على الورقة:

https://www.sciencedirect.com/science/article/pii/S0306261923015477

أجب "حمل التبريد" للحصول على نسخة PDF كاملة من الورقة

مجموعة البيانات: بيانات حمل التبريد لمبنيين مكتبيين

في هذه الدراسة، ركز الباحثون على استهلاك الطاقة في مباني المكاتب في هونغ كونغ (البرج الجنوبي والبرج الشمالي، ST&NT) وأنشأوا مجموعة بيانات مفصلة تغطي النطاق الزمني من 1 أبريل 2020 إلى 30 سبتمبر 2021. تجمع مجموعة البيانات البيانات على فترات أخذ عينات مدتها 15 دقيقة، مما يضمن التقاطًا تفصيليًا لديناميكيات استهلاك الطاقة في المباني.

هندسة النموذج: نموذج DEMMFL

كما هو موضح في الشكل أدناه، من أجل التنبؤ بحمل تبريد المبنى، يتم إدخال ميزات البيانات المجمعة في نموذج DEMMFL ونموذج التعلم العميق، ويتم إخراج بيانات حمل التبريد المشتركة لـ ST و NT.

في هذه الدراسة، قام فريق البحث بتطوير نموذج تنبؤ يسمى DEMMFL (التعلم الهندسي الديناميكي متعدد الوسائط) خصيصًا للتنبؤ بأحمال تبريد المباني. تم بناء هيكل النموذج باستخدام التفافات على بيانات الإدخال السابقة دون مصطلح إخراج انحداري تلقائي.

لتحقيق دقة التنبؤ على المدى الطويل، يعتمد نموذج DEMMFL على طريقة التعلم الإحصائي المنتظم لتحقيق أفضل توازن بين التباين والتحيز في التنبؤ. تم استخدام Lasso وridge والانحدار Lasso-ridge الذي تم تطويره مؤخرًا في الدراسة، وتم استخدام التحقق المتبادل (CV) لتحسين معلمات التعلم الفائقة. وباستخدام هذا النهج، تمكن فريق البحث من قياس ومعالجة جميع الميزات والبيانات بشكل فعال، بما في ذلك أحمال التبريد، لتحسين دقة وكفاءة النموذج.

بالإضافة إلى ذلك، استكشفت هذه الدراسة نماذج التعلم العميق المتعددة، بما في ذلك XGBoost و LightBoost التي تم تنفيذها من خلال AutoGluon، بالإضافة إلى LSTM و GRU. يتم تدريب كل هذه النماذج باستخدام متوسط الخطأ التربيعي كدالة خسارة وطريقة التدريب هي ADAM.

أفضل أداء إجمالي: انحدار لاسو ريدج

قام الباحثون بمقارنة أداء التعلم الإحصائي لنموذج DEMMFL على مجموعة التدريب ومجموعة الاختبار. وأظهرت النتائج أن طريقة Lasso-ridge تفوقت على التقنيات الثلاث الأخرى في جميع الأوضاع باستثناء فترات عدم التشغيل، وكان أداؤها الإجمالي في مجموعة الاختبار أعلى بمقدار 4.2% من الطريقة المصنفة في المرتبة الثانية.

تظهر هذه النتيجة أنه عند استخدام طريقة Lasso-ridge، فإن نموذج DEMMFL يعمل بشكل جيد في التنبؤ بأحمال تبريد المباني على المدى الطويل، ليس فقط مع تحسن كبير في الدقة ولكن أيضًا أكثر كفاءة في اختيار المتغيرات، مما يوفر أداة فعالة لإدارة استهلاك الطاقة في المباني.

التنبؤ بالحساسية: حمل التبريد وOAT

عند تحليل أنماط فترة التشغيل في أيام الأسبوع لـ NT وST، وجد الباحثون أن خاصية OAT (درجة حرارة الهواء الخارجي) تلعب دورًا مهيمنًا في التنبؤ بحمل التبريد.

بعد بناء النماذج، قام فريق البحث بتقييم حساسية أحمال التبريد بالنسبة لـ OAT في كل نموذج. وبإبقاء بقية المتغيرات ثابتة، قاموا بزيادة درجة حرارة سطح البحر بدرجة مئوية واحدة وحسبوا المتغيرات الأخرى المرتبطة بدرجة حرارة سطح البحر وفقًا لذلك.

نتائج التنبؤ التفصيلية للنماذج الأربعة في مجموعة بيانات الاختبار

تظهر النتائج التجريبية وجود فروق كبيرة في حساسية أحمال التبريد لـ OAT في المباني المختلفة.يعتبر حمل التبريد في البرج الجنوبي أكثر حساسية للتغيرات في OAT بسبب حجمه الأكبر. علاوة على ذلك، يزداد الفرق في الحساسية بين البرجين في جميع الأوضاع باستثناء وضع فترة التشغيل، والذي قد يكون مرتبطًا بالخصائص المختلفة للمباني وأوضاع التشغيل.

نموذج DEMMFL: دقة عالية، خطأ منخفض

قام الباحثون بتحسين نفس مجموعة بيانات التدريب باستخدام نماذج التعلم العميق مثل LSTM و GRU و AutoGluon وقارنوها بنموذج DEMMFL على نفس مجموعة الاختبار في سبتمبر 2021. ونظرًا لاستخدام الميزات الهندسية القائمة على المعرفة، يُظهر نموذج DEMMFL ميزة واضحة ويحقق أفضل RMSE، بينما يحقق نموذج AutoGluon ثاني أفضل نتيجة.

وبمقارنة بيانات حمل التبريد الفعلي مع بيانات حمل التبريد المتوقعة بواسطة النماذج الأربعة، تظهر النتائج في الشكل أدناه.

وأظهر LSTM وGRU نتائج تنبؤ أسوأ بشكل ملحوظ في الأيام الثلاثة الأولى من الشهر، وفي 22 سبتمبر (عطلة مهرجان منتصف الخريف)، كان لدى نموذج التعلم العميق خطأ تنبؤ كبير، بينما تنبأ نموذج DEMMFL بدقة شديدة.

باختصار، يتمتع نموذج DEMMFL بدقة تنبؤ أعلى وخطأ أصغر في التنبؤ بحمل تبريد المبنى.

انطلاقًا من إدارة الطاقة: الذكاء الاصطناعي ومستقبل البناء الحضري

باستخدام نموذج DEMMFL، من الممكن تحقيق التنبؤ الدقيق باستهلاك الطاقة وتحسينه للمباني التجارية والمناطق السكنية والمرافق العامة. إن توسيع هذه التكنولوجيا من شأنه أن يساعدنا على فهم وإدارة استهلاك الطاقة الإجمالي في المباني الحضرية بشكل أفضل، وبالتالي تعزيز التنمية الحضرية الأكثر كفاءة واستدامة.

وفيما يتعلق بالبيئة العالمية، فإن الحد من انبعاثات الكربون واستهلاك الطاقة يتطلب جهوداً مشتركة من كل عائلة وكل شركة وكل صناعة. في السنوات الأخيرة، أدى الطلب المتزايد بسرعة على تحسين استهلاك الطاقة إلى ظهور عدد من الحلول الناضجة، والتي تتكرر باستمرار أثناء التنفيذ. وتستخدم شركات IBM وGoogle DeepMind وSchneider Electric، فضلاً عن الشركات المحلية مثل SenseTime وMidea Building Technology، الذكاء الاصطناعي للمساعدة في إدارة الطاقة.

على سبيل المثال، قامت شركة جوجل ديب مايند بتطبيق خوارزميات التعلم الآلي على مزرعة رياح بقدرة 700 ميجاواط في وسط الولايات المتحدة. وبناء على شبكة عصبية، تم تدريب النظام باستخدام توقعات الطقس المتاحة على نطاق واسع وبيانات التوربينات التاريخية للتنبؤ بإنتاج الرياح قبل 36 ساعة من توليد الطاقة الفعلي، وبالتالي تزويد الموظفين بالنصيحة قبل يوم واحد عن كمية الكهرباء التي يجب توصيلها كل ساعة ووضع خطط أكثر دقة لتوريد الطاقة.

استناداً إلى البنية القوية لجهازها واسع النطاق SenseCore ونظام النموذج واسع النطاق SenseNova، تواصل SenseTime إنتاج خوارزميات الذكاء الاصطناعي عالية الجودة وقوة الحوسبة لتمكين الترقيات الذكية متعددة المجالات لأنظمة الطاقة.

تجمع شركة Midea Building Technology بين تقنية الذكاء الاصطناعي وخبرة الخبراء في مجال التدفئة والتهوية وتكييف الهواء لتطوير Smart Control، وهو محرك خوارزمي لتحسين تشغيل أنظمة التدفئة والتهوية وتكييف الهواء. يمكنه تلبية احتياجات التدفئة والتبريد بدقة. عند دمجه مع منصة iBUILDING السحابية، فإنه يمكنه تحقيق توفير الطاقة وخفض الكربون بنسبة 15%-30% وتحسين الراحة بأكثر من 30%.

في المستقبل، سيتم دمج تكنولوجيا الذكاء الاصطناعي بشكل وثيق مع التخطيط والإدارة الحضرية لإنشاء نظام بيئي متكامل وذكي ومترابط للغاية، حيث يلعب الذكاء الاصطناعي دور ليس فقط كمستخدم للتكنولوجيا، ولكن أيضًا كقائد في التنمية الحضرية.

مع استمرار تقدم تكنولوجيا الذكاء الاصطناعي، نتطلع إلى مستقبل حضري أكثر كفاءة واستدامة وشاملاً.

مراجع:

https://www.sciencedirect.com/science/article/pii/S0306261923015477?via%3Dihub
https://www.marketsandmarkets.com/industry-news/AI-Powered-Energy-Sector-in-2023-Products-Companies-and-Innovations