Išmanieji termostatai pakeitė būdą, kaip daugelis žmonių šildo ir vėsina namus, naudodami mašininį mokymąsi, kad reaguotų į užimtumo modelius ir pageidavimus, todėl sunaudojama mažiau energijos. Ši technologija, kuri gali rinkti ir sintetinti duomenis, paprastai skirta vienam būstui, bet kas, jei tokio tipo dirbtinis intelektas galėtų dinamiškai valdyti viso universiteto šildymą ir vėsinimą? Tai yra įvairių padalinių pastangų, skirtų sumažinti universiteto miestelio energijos suvartojimą, naudojant AI pastato valdiklius, kurie realiuoju laiku reaguoja į vidinius ir išorinius veiksnius, idėja.
Iššūkio supratimas
Šildymas ir vėsinimas gali būti energetinis iššūkis miesteliams, pvz., MIT, kur esamos pastatų valdymo sistemos (BMS) negali greitai reaguoti į vidinius veiksnius, pvz., užimtumo svyravimus arba išorinius veiksnius, tokius kaip prognozuojamas oras ar tinklo anglies dioksido intensyvumas. Dėl to erdvėms šildyti ir vėsinti sunaudojama daugiau energijos nei reikia, dažnai iki neoptimalaus lygio. Naudodami dirbtinį intelektą, mokslininkai pradėjo kurti sistemą, skirtą suprasti ir numatyti optimalias temperatūros nuostatas (temperatūra, kurią palaikyti nustatytas termostatas) atskirame kambaryje ir atsižvelgti į daugybę veiksnių, leidžiančių esamoms sistemoms. efektyviau šildyti ir vėsinti be rankinio įsikišimo.
„Tai nelabai skiriasi nuo to, ką žmonės daro namuose“, – aiškina MIT architektūros profesorius Lesas Norfordas, kurio darbas energijos tyrimų, valdymo ir vėdinimo srityse jį siejo su pastangomis. „Išskyrus atvejus, kai turime pagalvoti apie tai, kaip ilgai klasė gali būti naudojama per dieną, orų prognozės, laikas, reikalingas patalpai šildyti ir vėsinti, pro langą sklindančios saulės šilumos poveikis ir kaip klasėje bus toliau. durys gali visa tai paveikti. Šie veiksniai yra tyrimo ir pilotų, į kuriuos Norfordas ir komanda sutelkė dėmesį, esmė. Toje komandoje yra Jeremy Gregory, MIT klimato ir tvarumo konsorciumo vykdomasis direktorius; Audun Botterud, pagrindinis Informacijos ir sprendimų sistemų laboratorijos mokslininkas; Steve Lanou, MIT tvarumo biuro (MITOS) projektų vadovas; Fran Selvaggio, Pastatų departamento vyresnysis pastatų valdymo sistemų inžinierius; ir Daisy Green bei You Lin, abu postdocs.
Grupė yra suburta pagal raginimą veikti „tyrinėti galimybes panaudoti dirbtinį intelektą siekiant sumažinti universiteto miestelio energijos suvartojimą“, aprašytą Fast Forward: MIT dešimtmečio klimato veiksmų plane, tačiau pastangos tęsiasi iki 2019 m. dekarbonizuokite savo miestelį, tyrinėjame visus būdus“, – sako universiteto paslaugų ir priežiūros viceprezidentas Joe Higginsas, kuris iš pradžių pristatė idėją studentams 2019 m. MIT Energy Hack. „Man tai buvo puiki galimybė panaudoti MIT patirtį ir pamatyti, kaip galime ją pritaikyti savo miesteliui ir pasidalinti tuo, ką išmokome su statybų pramone. Renginyje prasidėjo koncepcijos tyrimas ir tęsėsi bakalauro ir magistrantūros studentams tyrėjams, kurie vykdė diferencialines lygtis ir vadovavo pilotams, kad išbandytų idėjos ribas. Netrukus prie projekto prisijungė Gregory, kuris taip pat yra MITOS fakulteto bendradarbis ir padėjo identifikuoti kitus asmenis, norinčius prisijungti prie komandos. „Mano, kaip dėstytojo, vaidmuo yra rasti galimybių sujungti MIT mokslinių tyrimų bendruomenę su iššūkiais, su kuriais susiduria pats MIT – taigi tai puikiai tiko“, – sako Gregory.
Pirmieji projekto bandomieji projektai daugiausia dėmesio skyrė termostato nustatymo taškų testavimui NW23, kuriame yra Įrenginių departamentas ir Campus Planning biuras, tačiau Norfordas greitai suprato, kad klasėse galima išbandyti daug daugiau kintamųjų, todėl bandomasis projektas buvo išplėstas į 66 pastatą, mišrų. – naudoti pastatą, kuriame yra klasės, biurai ir laboratorijos. „Dėmesį nukreipėme į studijų klases iš dalies dėl jų sudėtingumo, bet ir didžiulio masto – jų miestelyje yra šimtai, todėl [they offer] daugiau galimybių rinkti duomenis ir nustatyti testuojamo parametrus“, – sako Norfordas.
Technologijos kūrimas
Darbas kuriant išmanesnius pastato valdiklius prasideda nuo fizikos pagrįsto modelio, kuriame naudojamos diferencialinės lygtys, siekiant suprasti, kaip objektai gali įkaisti arba atvėsti, kaupti šilumą ir kaip šiluma gali tekėti per pastato fasadą. Išoriniai duomenys, pvz., oras, elektros tinklo anglies dioksido intensyvumas ir klasės tvarkaraščiai, taip pat yra įvestis, o dirbtinis intelektas reaguoja į šias sąlygas, kad kiekvieną valandą pateiktų optimalų termostato nustatytą tašką – tokį, kuris suteikia geriausią kompromisą tarp dviejų šilumos tikslų. gyventojų komfortas ir energijos naudojimas. Tada šis nustatytas taškas nurodo esamai BMS, kiek reikia šildyti arba atvėsinti erdvę. Toliau atliekami bandymai realiame gyvenime, apklausiant pastato gyventojus apie jų komfortą. Botterudas, kurio moksliniuose tyrimuose pagrindinis dėmesys skiriamas inžinerijos, ekonomikos ir politikos sąveikai elektros rinkose, siekia užtikrinti, kad dirbtinio intelekto algoritmai galėtų paversti šį mokymąsi energijos ir anglies emisijos taupymu.
Šiuo metu pilotai sutelkia dėmesį į šešias 66 pastato klases, kad galėtų persikelti į laboratorijų patalpas prieš išplėsdami visą pastatą. „Šiuo atveju siekiama sutaupyti energijos, tačiau to negalime iki galo įvertinti, kol neužbaigsime viso pastato“, – aiškina Norfordas. „Turime dirbti klasėje po kiekvienos klasės, kad rinktume duomenis, tačiau žiūrime į daug didesnį vaizdą. Tyrimo grupė naudojo savo duomenimis pagrįstą modeliavimą, kad įvertintų didelį energijos sutaupymą, išlaikant šiluminį komfortą šešiose klasėse per dvi dienas, tačiau reikia toliau dirbti, kad būtų įdiegtos kontrolės priemonės ir išmatuotas taupymas per visus metus.
Apskaičiuota, kad atskirose klasėse sutaupoma daug energijos, energijos sutaupymas visame pastate gali būti didelis, o dirbtinis intelektas gali padėti pasiekti šį tikslą, aiškina Botterudas: „Ši mastelio keitimo koncepcija iš tikrųjų yra mūsų veiklos esmė. Mes praleidžiame daug laiko 66 pastate, kad išsiaiškintume, kaip jis veikia, ir tikimės, kad šiuos algoritmus bus galima pritaikyti daug mažiau pastangų į kitus kambarius ir pastatus, kad mūsų kuriami sprendimai galėtų turėti didelį poveikį MIT. sako.
Dalis šio didelio poveikio apima operatyvinius darbuotojus, tokius kaip Selvaggio, kurie yra būtini norint susieti mokslinius tyrimus su dabartinėmis operacijomis ir pritaikyti juos praktikoje visame mieste. „Didžioji dalis BMS komandos darbo atliekama bandomajame tokio projekto etape“, – sako jis. „Per kelias savaites galėjome sukurti šias dirbtinio intelekto sistemas ir paleisti savo esamą BMS, todėl pilotai galėjo greitai pakilti į žemę. Selvaggio teigia, kad ruošdamasi baigti bandomuosius darbus, BMS komanda universiteto miestelyje nustatė dar 50 pastatų, kuriuose ateityje bus galima lengvai įdiegti technologiją, kad būtų galima taupyti energiją. BMS komanda taip pat bendradarbiauja su pastatų automatikos įmone Schneider Electric, kuri įdiegė naujus valdymo algoritmus 66 pastato klasėse ir yra pasirengusi plėstis į naujas bandomąsias vietas.
Plečiantis poveikis
Sėkmingas šių programų užbaigimas taip pat atvers galimybę dar labiau sutaupyti energijos – priartins MIT prie savo dekarbonizacijos tikslų. „Be energijos taupymo, galiausiai savo universiteto pastatus galime paversti virtualiu energijos tinklu, kuriame tūkstančiai termostatų yra sujungiami ir koordinuojami, kad veiktų kaip vieningas virtualus subjektas“, – aiškina Higginsas. Tokio tipo energijos tinklai gali paspartinti energijos sektoriaus dekarbonizaciją, sumažindami anglies dioksido išmetančių elektrinių poreikį piko metu ir leisdami efektyviau naudoti elektros tinklo energiją.
Tęsdami pilotus, jie išpildo dar vieną raginimą veikti „Fast Forward“ – kad miestelis būtų „pokyčių išbandymo vieta“. Gregory sako: „Šis projektas yra puikus pavyzdys, kaip mūsų miestelis naudojamas kaip bandymų aikštelė – jis atneša pažangiausius mokslinius tyrimus, kuriuos galima pritaikyti mūsų miestelio dekarbonizavimui. Tai puikus projektas ne tik tam, kad būtų sutelktas dėmesys, bet ir kaip pavyzdys, kaip panaudoti miestelį kaip gyvą laboratoriją.
