تصميم خطط لمراقبة الطاقة على نحو فعال في المنازل الذكية

تعزيز التعلم (RL)

ويتبع القانون الإقليمي نهجا مختلفا: فبدلا من الاعتماد على نموذج صريح، يتعلم المراقب سياسة مثلى من خلال المحاكمة والخطأ، ويتفاعل الخوارزمية مع البيئة المنزلية (أو نسخة محاكاة منه)، ويتلقى مكافآت لإنقاذ الطاقة والعقوبات على انتهاك قيود الراحة، ويكتشف خلال العديد من الحلقات إجراءات تزيد من المكافأة التراكمية.

وقد أظهر العمل الذي قام به مؤخرا ]مختبر الطاقة المتجددة الوطني[ ]FLT:1][ أن وكلاء القانون العام يمكنهم تجاوز الضوابط القائمة على القواعد في المباني التجارية، وتحقيق وفورات في الطاقة تتراوح بين ١٠ و ٢٠ في المائة، مع التكيف مع تغير الطقس والشغل، أما بالنسبة للمنازل الذكية، فإن القانون النموذجي لا يمكن أن يُسمح لهم بالتحكم شخصيا دون اشتراط نموذج فيزياء مفصل.

نظم لوجيكية قائمة على القاعدة والضبابية

ولا يحتاج كل بيت ذكي إلى خوارزمية تعلم متطورة، وكثيرا ما تنفذ النظم ذات القاعدة الدنيا كبيانات " إذا كان " في مركز مثل مساعد البيت أو مكتب خدمات الهياكل الأساسية المفتوحة لتحقيق وفورات كبيرة عندما تُضبط على النحو المناسب، مثلا: " إذا كان الشغل يستغرق 30 دقيقة وخارج درجة الحرارة 25 درجة مئوية، ثم يُرفع نقطة التبريد بمقدار 2 درجة مئوية " ، فإن هذه النظم تتسم بالشفافية ولا تتطلب التدريب بسهولة.

ويوسع منطق الفوزي نطاق الرقابة القائمة على القواعد عن طريق معالجة المدخلات غير الدقيقة (مثلاً " دافئة قليلاً " بدلاً من " 27 درجة مئوية " )، وينتج أيضاً تعديلات سلسة وتدريجية بدلاً من التبديلات الصعبة، وفي حين أن أجهزة التحكم في الازدحام ليست فعالة بقدر ما تكون كفاءة الفيل أو RL في السيناريوهات المعقدة، فإن أجهزة التحكم في الازدهار توفر توازناً جيداً في البساطة والأداء في العديد من المنازل.

مقايضة مقارنة

ملاحظة: تعتمد الوفورات الفعلية اعتمادا كبيرا على المناخ، وبناء المظروف، والسلوك الشاغل، والتنفيذ المحدد، ويبين الجدول النطاقات النموذجية التي أُبلغ عنها في الأدبيات الأكاديمية.

التطبيقات العالمية الحقيقية ودراسات الحالات الإفرادية

والمبادئ والاستراتيجيات المذكورة أعلاه ليست مجرد مبادئ نظرية - بل هي مثبتة ميدانيا في بيوت حول العالم، وهنا توجد بعض الأمثلة الجديرة بالذكر.

Google Nest Learning Thermostat

ويستخدم نظام " نست " مزيجا من الظواهر التماثلية القائمة على القواعد، و " خوارزمية التعلم " للتأهيل على تحديد درجة حرارة صاحب المنزل وأنماط شغله خلال الأسبوع الأول، ثم يُنشئ جدولا زمنيا، كما يستخدم جهاز " التمرين " لتحسب المدة التي يحتاجها النظام للوصول إلى نقطة التأشير، مع تخفيض معدل الادخار في المائة.

جامعة كاليفورنيا، مشروع بيركلي " قلب الماء الساخن الذكي "

وقد قام الباحثون بتطبيق نظام حماية البيئة على سخانات المياه الكهربائية، وهي بطاريات حرارية أساساً، ومن خلال التنبؤ باستخدام المياه الساخنة وأسعار الكهرباء، يقرر المتحكم متى يسخن الماء، وفي محاكمة ميدانية عبر 50 منزلاً، خفضت خوارزمية MPC تكاليف الطاقة بنسبة 20 في المائة، وتحولت 40 في المائة من الحمولة التدفئة بعيداً عن فترات الذروة، مما يعود بالفائدة على كلا مالكي المنازل والشبكة.

NREL ' s Reinforcement Learning Study

ودربت شركة نيرل وكيلاً لشبكة RL لمراقبة محطة HVAC والإضاءة في مبنى سكني صغير مجهز بأجهزة التصوير الفلكي وتخزين البطاريات، واستخدمت محاكاة عالية الجودة (EnergyPlus)، وتعلمت الوكيلة سياسة خفض الاستهلاك الكلي للكهرباء بنسبة 18 في المائة مقارنة بجهاز حراري تقليدي مع الحفاظ على الراحة، وعند نشرها في المبنى المادي (مع حدود الأمان)، أدّت العميلة تقريباً جيداً، مما يدل على إمكانية نقل سياسات النقل.

التحديات والاتجاهات المستقبلية

ورغم الوعد، فإن اعتماد خطط الرقابة المتقدمة على نطاق واسع يواجه عقبات عديدة، فتصدي هذه التحديات هو محور البحث الجاري.

خصوصية البيانات والأمن

ويعتمد التحكم الأمثل على بيانات مفصلة عن شغل الوظائف، والجداول، واستخدام الأجهزة، وهذه البيانات حساسة للغاية، وتكشف عن وجود أشخاص في المنزل أو نائمين أو بعيداً، وقد يتردد العاملون في تبادل المعلومات، لا سيما مع الخدمات القائمة على الغيوم، وتظهر تقنيات مثل معالجة المواد المتطورة، والخصوصية المتباينة، والتعلم المكثف، وذلك للسماح بفرض نماذج خاصة بالمتدربين المحليين دون فرض نماذج.

قابلية التشغيل البيني والمعايير

إن النظام الايكولوجي المنزلي الذكي اليوم مجزأ: فالأجهزة من مختلف الجهات المصنعة تستخدم في كثير من الأحيان بروتوكولات غير متوافقة أو أدوات معتمدة الملكية، وقد لا يعمل نظام مراقبة مع هيئة حرارة في هونيويل مع بيئة، وتهدف مبادرات مثل ماتر )البرنامج المشترك سابقا( إلى توحيد الاتصالات، ولكن الاعتماد لا يزال في مراحله المبكرة، وإلى أن توجد لغة مشتركة، فإن تنفيذ خوارزميات التحكم المتطورة يتطلب عملا تكامليا مع العرف.

القيود الحاسوبية

وتحتاج لجنة حماية البيئة إلى حل مشكلة التفريغ الأمثل في كل خطوة زمنية، يمكن أن تكون مكثفة حسب المقاييس بالنسبة لأجهزة التحكم المنخفضة القوة المتأصلة، وبالمثل، يحتاج وكلاء القانون العام إلى معدات مستقلة على مستوى النظام العالمي للتدريب، وكثيرا ما يكون ذلك لأغراض البحث، حيث يمكن للتجهيز الحاسوبي الكبير أن يحدث في مركز محلي أو جهاز مخصص يمكن أن يقلل من مخاطر السحب والخصوصية، ولكن يحتاج حقاً إلى معدات أكثر قوة (وثقلاً)().

قبول المستعمل والثقة

وحتى أكثر مخططات الرقابة فعالية لا قيمة له إذا كان مالكو المنازل يبطلونها لأنهم يجدونها مربكة أو غير مريحة، فالشفافية ومراقبة المستعملين أمر حاسم، ونظام يشرح أسبابه، على سبيل المثال، " أترك المنزل يسخن قليلا الآن لأنني أتوقّع كسباً شمسياً من الشمس بعد الظهر " - الثقة في البناء، والتصميم المتقاطع الذي يوفر أزرار بسيطة ( " جعله أكثر تهدئة للساعة القادمة " ).

التكامل مع المتجددين ومع منظمة " غريد "

ويتزايد تجهيز المنازل الذكية باللوحات الشمسية، وتخزين البطاريات، وشحنات المركبات الكهربائية، ويجب أن ينسق مخطط التحكم الأمثل هذه الأصول: مثلاً، تحميل الأشعة السينية عند ارتفاع الجيل الشمسي، ثم صرف البطارية المنزلية أثناء معدلات الذروة، وهذا يضيف طبقة أخرى من التعقيد، لأن المتحكم عليه الآن هو الذي يدير تدفقات الطاقة الثنائية الاتجاه ويتوقع كلا الجيلين (التنبؤات بالأشعة المطلقة) والاستهلاك.

منظمة العفو الدولية المفسَّرة لمراقبة الطاقة

ونظراً لأن الخوارزميات تصبح أكثر تعقيداً، فإن فهم سبب جعل المتحكم قراراً معيناً يصبح أصعب، وهذا الافتقار إلى التفسير يمكن أن يشكل عائقاً أمام تبني أصحاب المنازل ومنظمي المرافق على حد سواء، فالبحث في أساليب مفسرة للتسليم والتفسير - مثل آليات الاهتمام في الشبكات العصبية العميقة أو استخراج القواعد من أشجار القرار - يمكن أن ينتج مبررات بشرية ومرتدة لأعمال المراقبة مثلاً.

خاتمة

إن تصميم خطط التحكم الأمثل للطاقة في المنازل الذكية هو تحد متعدد الجوانب يكتنف تقاطع نظرية التحكم، والتعلم الآلي، والتفاعل بين الإنسان والحواسيب، وبناء الفيزياء، من خلال الالتزام بمبادئ الكفاءة، والقدرة على التكيف، والقوة، والقدرة على التصعيد، ومن خلال اختيار الاستراتيجية الصحيحة بعناية )البرنامج التنفيذي للكيمياء، والتعلم الآلي، والتفاعل القائم على القواعد، أو الاختلاط المغناطيسي( بالنسبة للباحثين الذين لا يصلحون، حتى للسياقات،

وتدل دراسات الحالة في العالم الحقيقي من نست إلى نيرل على أن هذه النُهج ليست مجرد فضول مختبري؛ بل إنها تخفض بالفعل فواتير الطاقة وبصمات الكربون في آلاف المنازل؛ ومع ذلك، لا تزال هناك تحديات: فلشواغل المتعلقة بالخصوصية، وقابلية التشغيل المتبادل للأجهزة، والتكاليف الحاسوبية، وثقة المستعملين تتطلب جميعها مزيدا من الابتكار، ومن المرجح أن يرى المستقبل أجهزة رقابة أكثر عدلا، وأكثر استنادا، تتعلم من البيانات المحلية، وتنسق مع المقاييس الحسنة في مجال التبنيها.