KI Ermöglicht Umweltfreundliche Kühlung. Die Lingnan University of Hong Kong Entwickelt Ein DEMMFL-Modell Zur Vorhersage Der Kühllast Von Gebäuden

In den letzten Jahren hat der durch den beschleunigten Urbanisierungsprozess verursachte rapide Anstieg der Kohlendioxidemissionen die globale Umwelt ernsthaft bedroht. Viele Länder haben klare Zeitziele für den „Kohlenstoff-Spitzenwert“ und die Kohlenstoffneutralität festgelegt, und eine „grüne Revolution“, die die ganze Welt und alle Industrien erfasst, hat begonnen. Von allen Branchen sind Gebäude zweifellos die größten Energieverbraucher und Heizungs-, Lüftungs- und Klimaanlagen (HLK) sind davon am stärksten betroffen. Aus den entsprechenden Daten geht hervor, dass Heizung, Lüftung und Klimaanlagen (HLK) 381 TP3T des weltweiten Energieverbrauchs von Gebäuden ausmachen.

Als Reaktion auf den hohen Energieverbrauch in Gebäuden optimiert die Industrie häufig die Betriebseffizienz der Geräte und nutzt intelligente Steuerungen, um den Energieverbrauch in Echtzeit zu regulieren. Unter anderem ist die Kältelastvorhersage im Hinblick auf die Steuerung des Kühlerbetriebs eine wichtige Methode zur Optimierung der Kühlersequenzsteuerung. Es kann vorübergehende Änderungen der Kältelast ignorieren und unnötiges Umschalten von HLK-Geräten und Kühlern vermeiden, wodurch der durch Start-Stopp verursachte Verbrauch reduziert wird.

Darüber hinaus herrschen in verschiedenen Regionen unterschiedliche klimatische Bedingungen, was zu einem unterschiedlichen HVAC-Verbrauch führt. Beispielsweise herrscht in Hongkong ein tropisches Klima, sodass der Energieverbrauch für Heizungs-, Lüftungs- und Klimatechnik einen höheren Anteil hat. Im Rahmen der „Global Artificial Intelligence Challenge for Building Electrical and Mechanical Facilities“, die vom Electrical and Mechanical Services Department der Sonderverwaltungszone Hongkong organisiert wird,Forscher der Lingnan University und der City University of Hong Kong haben ein neues dynamisch entwickeltes multimodales Merkmalslernmodell (DEMMFL) vorgeschlagen, um die Kühllast von Gebäuden langfristig genau vorherzusagen und so Energiesparziele zu erreichen..

Holen Sie sich das Papier:

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

Antworten Sie mit „Kühllast“, um das vollständige Dokument als PDF zu erhalten

Datensatz: Kühllastdaten für zwei Bürogebäude

In dieser Studie konzentrierten sich die Forscher auf den Energieverbrauch von zwei Bürogebäuden in Hongkong (South_Tower und North_Tower, ST&NT) und erstellten einen detaillierten Datensatz für den Zeitraum vom 1. April 2020 bis zum 30. September 2021. Der Datensatz sammelt Daten in einem Abtastintervall von 15 Minuten und gewährleistet so eine detaillierte Erfassung der Dynamik des Gebäudeenergieverbrauchs.

Modellarchitektur: DEMMFL-Modell

Wie in der folgenden Abbildung dargestellt, werden zur Vorhersage der Gebäudekühllast die gesammelten Datenmerkmale in das DEMMFL-Modell und das Deep-Learning-Modell eingegeben und die gemeinsamen Kühllastdaten von ST und NT ausgegeben.

In dieser Studie entwickelte das Forschungsteam ein Vorhersagemodell namens DEMMFL (Dynamic Engineered Multimodal Feature Learning), speziell zur Vorhersage der Kühllast von Gebäuden. Die Modellstruktur wird mithilfe von Faltungen auf früheren Eingabedaten ohne autoregressiven Ausgabeterm erstellt.

Um eine langfristige Prognosegenauigkeit zu erreichen, verwendet das DEMMFL-Modell eine regulierte statistische Lernmethode, um den besten Kompromiss zwischen Varianz und Bias für die Prognose zu erzielen. In der Studie wurden Lasso, Ridge und die kürzlich entwickelte Lasso-Ridge-Regression verwendet. Zur Optimierung der Lern-Hyperparameter wurde eine Kreuzvalidierung (CV) eingesetzt. Mit diesem Ansatz konnte das Forschungsteam alle Funktionen und Daten, einschließlich der Kühllasten, effektiv skalieren und verarbeiten, um die Genauigkeit und Effizienz des Modells zu verbessern.

Darüber hinaus wurden in dieser Studie mehrere Deep-Learning-Modelle untersucht, darunter XGBoost und LightBoost, implementiert über AutoGluon, sowie LSTM und GRU. Alle diese Modelle werden mit dem mittleren quadratischen Fehler als Verlustfunktion trainiert und die Trainingsmethode ist ADAM.

Beste Gesamtleistung: Lasso-Ridge-Regression

Die Forscher verglichen die statistische Lernleistung des DEMMFL-Modells im Trainingssatz und im Testsatz. Die Ergebnisse zeigten, dass Lasso-Ridge die anderen drei Techniken in allen Modi außer in betriebsfreien Zeiten übertraf und seine Gesamtleistung im Testsatz 4,2% höher war als die der zweitplatzierten Methode.

Dieses Ergebnis zeigt, dass das DEMMFL-Modell bei Verwendung der Lasso-Ridge-Methode gute Ergebnisse bei der langfristigen Vorhersage der Kühllast von Gebäuden erzielt. Dabei wird nicht nur die Genauigkeit deutlich verbessert, sondern es ist auch effizienter bei der Variablenauswahl, was ein wirksames Instrument für das Management des Energieverbrauchs von Gebäuden darstellt.

Vorhersage der Empfindlichkeit: Kühllast und OAT

Bei der Analyse der Betriebsmuster von NT und ST an Wochentagen stellten die Forscher fest, dass die Funktion OAT (Außenlufttemperatur) eine dominierende Rolle bei der Vorhersage der Kühllast spielt.

Nach dem Erstellen der Modelle bewertete das Forschungsteam die Empfindlichkeit der Kühllasten im Verhältnis zur OAT in jedem Modell. Sie hielten die übrigen Variablen konstant, erhöhten die OAT um ein Grad Celsius und berechneten andere OAT-bezogene Variablen entsprechend.

Die experimentellen Ergebnisse zeigen, dass es in verschiedenen Gebäuden erhebliche Unterschiede in der Empfindlichkeit der Kühllasten gegenüber OAT gibt.Aufgrund seiner größeren Größe reagiert die Kühllast des Südturms empfindlicher auf Änderungen der OAT. Darüber hinaus nimmt der Unterschied in der Empfindlichkeit zwischen den beiden Türmen in allen Modi außer dem Betriebsperiodenmodus zu, was mit den unterschiedlichen Eigenschaften der Gebäude und der Betriebsmodi zusammenhängen kann.

DEMMFL-Modell: hohe Genauigkeit, geringer Fehler

Die Forscher optimierten denselben Trainingsdatensatz mithilfe von Deep-Learning-Modellen wie LSTM, GRU und AutoGluon und verglichen sie im September 2021 mit dem DEMMFL-Modell im selben Testsatz. Durch die Verwendung wissensbasierter technischer Funktionen zeigt das DEMMFL-Modell einen klaren Vorteil und erreicht den besten RMSE, während das AutoGluon-Modell den zweitbesten erreicht.

Der Vergleich der tatsächlichen Kühllastdaten mit den von den vier Modellen prognostizierten Kühllastdaten ergibt die in der folgenden Abbildung dargestellten Ergebnisse.

LSTM und GRU zeigten in den ersten drei Tagen des Monats deutlich schlechtere Vorhersageergebnisse, und am 22. September (dem Mittherbstfest) hatte das Deep-Learning-Modell einen großen Vorhersagefehler, während das DEMMFL-Modell sehr genaue Vorhersagen lieferte.

Zusammenfassend weist das DEMMFL-Modell eine höhere Vorhersagegenauigkeit und einen geringeren Fehler bei der Vorhersage der Gebäudekühllast auf.

Ausgehend vom Energiemanagement: KI und die Zukunft des Städtebaus

Mithilfe des DEMMFL-Modells können genaue Vorhersagen und Optimierungen des Energieverbrauchs für Gewerbegebäude, Wohngebiete und öffentliche Einrichtungen vorgenommen werden. Der Ausbau dieser Technologie wird uns helfen, den Gesamtenergieverbrauch städtischer Gebäude besser zu verstehen und zu verwalten und so eine effizientere und nachhaltigere Stadtentwicklung zu fördern.

Was die globale Umwelt betrifft, erfordert die Reduzierung der Kohlendioxidemissionen und des Energieverbrauchs gemeinsame Anstrengungen aller Familien, aller Unternehmen und aller Branchen. In den letzten Jahren hat die schnell wachsende Nachfrage nach Optimierung des Energieverbrauchs auch eine Reihe ausgereifter Lösungen hervorgebracht, die während der Implementierung kontinuierlich weiterentwickelt werden. IBM, Google DeepMind, Schneider Electric sowie inländische Unternehmen wie SenseTime und Midea Building Technology nutzen allesamt künstliche Intelligenz zur Unterstützung des Energiemanagements.

Beispielsweise hat Google DeepMind Algorithmen des maschinellen Lernens auf einen 700-Megawatt-Windpark in den zentralen Vereinigten Staaten angewendet. Das System basiert auf einem neuronalen Netzwerk und wurde mithilfe allgemein verfügbarer Wettervorhersagen und historischer Turbinendaten darauf trainiert, die Windleistung 36 Stunden vor der tatsächlichen Stromerzeugung vorherzusagen. Dadurch erhält das Personal bereits einen Tag im Voraus Ratschläge, wie viel Strom pro Stunde geliefert werden soll, und kann präzisere Energieversorgungspläne erstellen.

Basierend auf der leistungsstarken Architektur seines Großgeräts SenseCore und des Großmodellsystems SenseNova liefert SenseTime weiterhin hochwertige KI-Algorithmen und Rechenleistung, um intelligente Upgrades von Energiesystemen in mehreren Domänen zu ermöglichen.

Midea Building Technology kombiniert KI-Technologie mit der Erfahrung von Experten im HLK-Bereich, um Smart Control zu entwickeln, eine Algorithmus-Engine zur Optimierung des Betriebs von HLK-Systemen. Es kann den Heiz- und Kühlbedarf genau anpassen. In Kombination mit der iBUILDING-Cloud-Plattform können Energieeinsparungen und eine CO2-Reduktion von 151–301 TP3T sowie eine Komfortverbesserung von über 301 TP3T erreicht werden.

In Zukunft wird die KI-Technologie eng mit der Stadtplanung und dem Stadtmanagement verknüpft sein, um ein hochintegriertes, intelligentes und vernetztes Ökosystem zu schaffen, in dem die KI nicht nur die Rolle eines Technologienutzers, sondern auch die eines Vorreiters der Stadtentwicklung spielt.

Mit der Weiterentwicklung der KI-Technologie freuen wir uns auf eine effizientere, nachhaltigere und integrativere städtische Zukunft.

Quellen:

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

https://tech.chinadaily.com.cn/a/202308/04/WS64ccbca7a3109d7585e47fbf.html