L'IA Permet Un Refroidissement Écologique, L'université Lingnan De Hong Kong Développe Le Modèle DEMMFL Pour La Prévision De La Charge De Refroidissement Des Bâtiments

Ces dernières années, l’augmentation rapide des émissions de carbone causée par le processus d’urbanisation accélérée a gravement menacé l’environnement mondial. De nombreux pays ont fixé des échéances claires pour le « pic carbone et la neutralité carbone », et une « révolution verte » couvrant le monde entier et toutes les industries a commencé. Parmi toutes les industries, les bâtiments sont sans aucun doute les plus gros consommateurs d’énergie, et le système de chauffage, de ventilation et de climatisation (CVC) est le plus durement touché. Les données pertinentes montrent que le chauffage, la ventilation et la climatisation (CVC) représentent 38% de la consommation mondiale d’énergie des bâtiments.

En réponse à la forte consommation d’énergie dans les bâtiments, l’industrie optimise souvent l’efficacité de fonctionnement des équipements et utilise un contrôle intelligent pour réguler la consommation d’énergie en temps réel. Parmi eux, en termes de contrôle du fonctionnement du refroidisseur, la prédiction de la charge froide est un moyen important d'optimiser le contrôle du séquençage du refroidisseur. Il peut ignorer les changements temporaires de charge froide et éviter les commutations inutiles des équipements CVC et des refroidisseurs, réduisant ainsi la consommation causée par le démarrage-arrêt.

De plus, les différentes régions ont des conditions climatiques différentes, ce qui entraîne une consommation de CVC différente. Par exemple, Hong Kong a un climat tropical et la consommation d’énergie du système CVC représente une proportion plus élevée. Dans le cadre du « Défi mondial d'intelligence artificielle pour la construction d'installations électriques et mécaniques » organisé par le Département des services électriques et mécaniques de la Région administrative spéciale de Hong Kong,Des chercheurs de l'Université Lingnan et de l'Université de la ville de Hong Kong ont proposé un nouveau modèle d'apprentissage de caractéristiques multimodales conçu de manière dynamique (DEMMFL) pour prédire avec précision les charges de refroidissement des bâtiments à long terme, atteignant ainsi les objectifs de conservation de l'énergie..

Obtenez le papier :

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

Répondez à « Charge de refroidissement » pour obtenir le document PDF complet

Ensemble de données : Données de charge de refroidissement pour deux immeubles de bureaux

Dans cette étude, les chercheurs se sont concentrés sur la consommation énergétique de deux immeubles de bureaux à Hong Kong (South_Tower et North_Tower, ST&NT) et ont établi un ensemble de données détaillé couvrant la période du 1er avril 2020 au 30 septembre 2021. L'ensemble de données collecte des données à un intervalle d'échantillonnage de 15 minutes, garantissant une capture détaillée de la dynamique de la consommation énergétique des bâtiments.

Architecture du modèle : modèle DEMMFL

Comme le montre la figure ci-dessous, afin de prédire la charge de refroidissement du bâtiment, les caractéristiques des données collectées sont entrées dans le modèle DEMMFL et le modèle Deep Learning, et les données de charge de refroidissement communes de ST et NT sont sorties.

Dans cette étude, l’équipe de recherche a développé un modèle de prédiction appelé DEMMFL (Dynamic Engineered Multimodal Feature Learning) spécifiquement pour prédire les charges de refroidissement des bâtiments. La structure du modèle est construite à l'aide de convolutions sur des données d'entrée passées sans terme de sortie autorégressif.

Pour obtenir une précision de prévision à long terme, le modèle DEMMFL adopte une méthode d’apprentissage statistique régularisée pour obtenir le meilleur compromis entre variance et biais pour les prévisions. Lasso, Ridge et la régression Lasso-ridge récemment développée ont été utilisés dans l'étude, et la validation croisée (CV) a été utilisée pour optimiser les hyperparamètres d'apprentissage. Grâce à cette approche, l’équipe de recherche a pu mettre à l’échelle et traiter efficacement toutes les fonctionnalités et données, y compris les charges de refroidissement, afin d’améliorer la précision et l’efficacité du modèle.

De plus, cette étude a exploré plusieurs modèles d’apprentissage profond, notamment XGBoost et LightBoost implémentés via AutoGluon, ainsi que LSTM et GRU. Tous ces modèles sont formés en utilisant l’erreur quadratique moyenne comme fonction de perte et la méthode de formation est ADAM.

Meilleure performance globale : régression Lasso-ridge

Les chercheurs ont comparé les performances d’apprentissage statistique du modèle DEMMFL sur l’ensemble d’entraînement et l’ensemble de test. Les résultats ont montré que la méthode Lasso-ridge a surpassé les trois autres techniques dans tous les modes, à l'exception des périodes de non-fonctionnement, et sa performance globale sur l'ensemble de tests était supérieure de 4,2% à celle de la méthode classée deuxième.

Ce résultat montre que lors de l'utilisation de la méthode Lasso-ridge, le modèle DEMMFL fonctionne bien dans la prédiction à long terme des charges de refroidissement des bâtiments, non seulement avec une amélioration significative de la précision mais aussi plus efficace dans la sélection des variables, ce qui fournit un outil efficace pour la gestion de la consommation énergétique des bâtiments.

Prédire la sensibilité : charge de refroidissement et OAT

Lors de l'analyse des modèles de période de fonctionnement en semaine de NT et ST, les chercheurs ont découvert que la fonction OAT (température de l'air extérieur) joue un rôle dominant dans la prévision de la charge de refroidissement.

Après avoir construit les modèles, l’équipe de recherche a évalué la sensibilité des charges de refroidissement par rapport à l’OAT dans chaque modèle. En gardant les autres variables constantes, ils ont augmenté l'OAT d'un degré Celsius et ont calculé d'autres variables liées à l'OAT en conséquence.

Les résultats expérimentaux montrent qu’il existe des différences significatives dans la sensibilité des charges de refroidissement à l’OAT dans différents bâtiments.La charge de refroidissement de la tour sud est plus sensible aux variations de l'OAT en raison de sa plus grande taille. De plus, la différence de sensibilité entre les deux tours augmente dans tous les modes sauf le mode période de fonctionnement, ce qui peut être lié aux caractéristiques différentes des bâtiments et des modes de fonctionnement.

Modèle DEMMFL : haute précision, faible erreur

Les chercheurs ont optimisé le même ensemble de données de formation à l'aide de modèles d'apprentissage profond tels que LSTM, GRU et AutoGluon et les ont comparés au modèle DEMMFL sur le même ensemble de tests en septembre 2021. Grâce à l'utilisation de fonctionnalités d'ingénierie basées sur la connaissance, le modèle DEMMFL montre un net avantage et obtient le meilleur RMSE, tandis que le modèle AutoGluon obtient le deuxième meilleur.

En comparant les données de charge de refroidissement réelles avec les données de charge de refroidissement prédites par les quatre modèles, les résultats sont présentés dans la figure ci-dessous.

LSTM et GRU ont montré des résultats de prédiction nettement moins bons au cours des trois premiers jours du mois, et le 22 septembre (jour férié de la mi-automne), le modèle d'apprentissage profond a eu une grande erreur de prédiction, tandis que le modèle DEMMFL a prédit très précisément.

En résumé, le modèle DEMMFL présente une précision de prédiction plus élevée et une erreur plus faible dans la prédiction de la charge de refroidissement du bâtiment.

À partir de la gestion de l'énergie : l'IA et l'avenir de la construction urbaine

Grâce au modèle DEMMFL, il est possible de réaliser des prévisions et des optimisations précises de la consommation d'énergie pour les bâtiments commerciaux, les zones résidentielles et les installations publiques. L’expansion de cette technologie nous aidera à mieux comprendre et gérer la consommation énergétique globale des bâtiments urbains, favorisant ainsi un développement urbain plus efficace et durable.

En ce qui concerne l’environnement mondial, la réduction des émissions de carbone et de la consommation d’énergie nécessite des efforts conjoints de la part de chaque famille, de chaque entreprise et de chaque industrie. Ces dernières années, la demande croissante d’optimisation de la consommation d’énergie a également donné naissance à un certain nombre de solutions matures, qui sont continuellement mises en œuvre. IBM, Google DeepMind, Schneider Electric, ainsi que des entreprises nationales telles que SenseTime et Midea Building Technology utilisent tous l'intelligence artificielle pour aider à la gestion de l'énergie.

Par exemple, Google DeepMind a appliqué des algorithmes d’apprentissage automatique à un parc éolien de 700 mégawatts dans le centre des États-Unis. Basé sur un réseau neuronal, il a été formé à l'aide de prévisions météorologiques largement disponibles et de données historiques sur les turbines pour prédire la production éolienne 36 heures avant la production d'électricité réelle, fournissant ainsi au personnel des conseils un jour à l'avance sur la quantité d'électricité à fournir chaque heure et élaborant des plans d'approvisionnement énergétique plus précis.

S'appuyant sur l'architecture puissante de son dispositif à grande échelle SenseCore et de son système de modèle à grande échelle SenseNova, SenseTime continue de produire des algorithmes d'IA et une puissance de calcul de haute qualité pour permettre des mises à niveau intelligentes multi-domaines des systèmes électriques.

Midea Building Technology combine la technologie de l'IA avec l'expérience d'experts dans le domaine du CVC pour développer Smart Control, un moteur d'algorithme permettant d'optimiser le fonctionnement des systèmes CVC. Il peut répondre avec précision aux besoins de chauffage et de refroidissement. Associé à la plateforme cloud iBUILDING, il peut réaliser des économies d'énergie et une réduction des émissions de carbone de 15% à 30% et une amélioration du confort de plus de 30%.

À l’avenir, la technologie de l’IA sera étroitement intégrée à la planification et à la gestion urbaines pour créer un écosystème hautement intégré, intelligent et interconnecté, dans lequel l’IA jouera le rôle non seulement d’utilisateur de technologie, mais également de leader dans le développement urbain.

Alors que la technologie de l’IA continue de progresser, nous nous réjouissons d’un avenir urbain plus efficace, durable et inclusif.

Références :

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