Разумные здания: Искусственный интеллект как ключ к энергоэффективности

В наши дни искусственный интеллект (ИИ) играет важнейшую роль в технологическом прогрессе. Благодаря продвижениям в области компьютерных и программных технологий, отрасли становятся все более автоматизированными и область ИИ приобретает все большее значение. В результате такого развития появляются интеллектуальные решения для зданий, которые способны оптимизировать энергетические характеристики и минимизировать потери ресурсов без ущерба для комфорта, здоровья или безопасности .

Рост рынка интеллектуальных зданий

С каждым годом наблюдается все большее применение технологий Интернета вещей (IoT) и искусственного интеллекта для мониторинга и управления зданиями, что способствует росту рынка интеллектуальных зданий. Согласно Google Trends , с 2017 года популярность машинного обучения и глубокого обучения превзошла Интернет вещей.

Машинное обучение использует входные данные, представленные в виде числовых, категориальных, временных рядов и текстов, и выбирает алгоритм в качестве вычислительного метода для "понимания" информации, полученной непосредственно из данных.

Глубокое обучение, являясь подмножеством машинного обучения, представляет собой более сложный подход, который использует нейронные сети для интерпретации функций данных и их отношений, формируя уникальную модель на основе более широкого спектра данных, включая изображения, видео и звуки. В большей степени глубокое обучение обеспечивает более высокую точность, чем другие методы, поскольку процесс извлечения признаков выполняется автоматически из необработанных данных. Однако для повышения точности глубокого обучения требуется больше точек данных.

Применение ИИ в строительстве

ИИ широко применяется в различных областях для более эффективного выполнения задач при одновременном снижении потребности в человеческих усилиях. Благодаря постоянно растущей вычислительной мощности и доступности данных в современном цифровом обществе в последние годы был достигнут значительный прогресс в области ИИ . В строительном секторе (BIM) становится нормой для разработки новых зданий и сооружений. Как инструмент инноваций и цифровизации в этом секторе, BIM обеспечивает основу для цифрового мира, в котором ИИ может помочь оптимизировать проектирование, строительство и эксплуатацию/управление объектами. Например, с помощью ИИ BIM может использовать большой объем данных из предыдущих строительных проектов и автоматически предлагать решения для оптимизации проекта.

Проблемы внедрения ИИ в строительстве

Однако, согласно исследованию Глобального института McKinsey , сектор строительства отстает в использовании ИИ и цифровых инструментов по сравнению с другими отраслями. В этом контексте, важно изучить методы ИИ, способные повысить энергоэффективность зданий и решить связанные с ними проблемы, исследовать причины медленного внедрения ИИ и определить возможные пути решения этих проблем. Это подчеркивает актуальность глубокого анализа и изучения существующих практик использования ИИ в зданиях и способов его интеграции для разработки эффективных решений для зданий будущего.

Поэтому для повышения эффективности данного сегмента был произведен настоящий обзор, который представляет краткое изложение основных методов ИИ, используемых для улучшения производительности зданий, на основе данных из обзорной литературы.

Методы ИИ для управления энергопотреблением

Для иллюстрации разнообразия методов ИИ, применяемых в сфере управления энергопотреблением, была составлена таблица 1. Она включает в себя основные методы, такие как нейронные сети, генетические алгоритмы, опорные векторы и т.д., их основные преимущества и недостатки, а также примеры их использования в практических приложениях.

Таблица 1 . Краткое изложение методов управления энергопотреблением и прогнозирования на основе искусственного интеллекта в искусственной среде. 
Таблица 1 . Краткое изложение методов управления энергопотреблением и прогнозирования на основе искусственного интеллекта в искусственной среде. 

ИИ для прогнозирования и управления тепловым комфортом и качеством воздуха

Таблица 2 содержит резюме некоторых исследований, в которых использовались методы ИИ для управления тепловым комфортом и качеством воздуха в помещениях. Здесь представлены различные подходы и методы, используемые для оптимизации этих процессов, включая применение нейросетей, методов опорных векторов и генетических алгоритмов.

Таблица 2 .Резюме некоторых исследований, в которых использовались методы ИИ для управления тепловым комфортом и качеством воздуха в помещениях
Таблица 2 .Резюме некоторых исследований, в которых использовались методы ИИ для управления тепловым комфортом и качеством воздуха в помещениях

Модели обучения для повышения производительности зданий

В таблицах 3 и 4 представлены примеры моделей обучения без учителя и контролируемых моделей обучения, соответственно. Эти таблицы демонстрируют разнообразие подходов, которые могут быть использованы для обучения моделей ИИ и последующего их использования для повышения производительности зданий.

 Таблица 3. Примеры моделей обучения без учителя для повышения производительности здания.
 Таблица 3. Примеры моделей обучения без учителя для повышения производительности здания.
Таблица 4. Примеры контролируемых моделей обучения для повышения производительности здания.
Таблица 4. Примеры контролируемых моделей обучения для повышения производительности здания.

Глубокое обучение для улучшения производительности зданий

Таблица 5 содержит обзор некоторых методов, основанных на глубоком обучении, применяемых для повышения производительности зданий. В данной таблице рассматриваются методы, такие как сверточные нейронные сети, рекуррентные нейронные сети и долгосрочная краткосрочная память (LSTM), а также их применение в контексте зданий.

Таблица 5. Примеры методов, основанных на глубоком обучении, для повышения производительности здания.
Таблица 5. Примеры методов, основанных на глубоком обучении, для повышения производительности здания.

Заключение

Судя по обзору литературы, в исследовательской работе применяется обширный набор метрик оценки, который вносит дополнительные сложности в процесс сравнения разных моделей. Данные для оценки поступают из различных источников, включая моделирование, исторические записи и эксперименты. Другие показатели эффективности, такие как вычислительная производительность, потребности в данных и сложность, тоже играют важную роль, но они часто упускаются из вида и не обсуждаются в большинстве обзоренных исследований. В будущих научных работах необходимо уделить этому больше внимания, поскольку такая информация будет полезна для исследователей и разработчиков моделей, столкнувшихся с конкретными требованиями в своих проектах. Кроме того, необходимо рассмотреть практические вопросы, связанные с предварительной обработкой данных и их неопределенностью.

Хотя машинное обучение показывает высокую эффективность в различных областях, например, в прогнозировании потребления энергии, оценке теплового комфорта и определении уровня занятости, все больше приложений начинают использовать методы глубокого обучения. Этому способствует растущий объем данных, генерируемых зданиями, усовершенствования в области вычислительных технологий и развитие алгоритмов. Несмотря на то, что большинство архитектур глубокого обучения могут быть адаптированы для различных задач прогнозирования или классификации, некоторые исследования сочетают методы глубокого обучения для улучшения производительности. В некоторых случаях классические методы машинного обучения комбинируются с методами глубокого обучения.

Важно отметить, что каждый алгоритм машинного и глубокого обучения имеет свои преимущества и ограничения. При выборе модели для конкретного проекта следует учитывать ряд факторов, включая цель, доступность данных, практичность и вычислительные затраты. Когда речь заходит о создании проектов, связанных с производительностью, знание основ искусственного интеллекта или машинного обучения является ключевым, но для разработчиков моделей также очень важно обладать знаниями в области проектирования зданий или энергетических систем. Это особенно актуально при выборе подходящей цели прогнозирования и параметров для модели машинного или глубокого обучения.

Если вас заинтересовало содержание этой статьи и вы хотите углубить свои знания в области машинного обучения, глубокого обучения и их применения в энергетике, наш Telegram-канал "Analyze This WITH ME" - это именно то, что вам нужно. На канале мы регулярно обсуждаем, как данные становятся новым, эффективным инструментом для управления проектами и оптимизации в энергетике. Присоединяйтесь к нашему сообществу и убедитесь в этом сами. Присоединиться к каналу можно по ссылке: https://t.me/Analyze_this_WITH_ME. Мы с нетерпением ждем вас в нашем сообществе!

Начать дискуссию