نماذج التعلم العميقة لفرض استهلاك الطاقة في المباني الذكية

تزايد أهمية الطاقة في المباني الذكية

وتُعرِّف المباني حالياً ما يتراوح بين 30 و40 في المائة من استهلاك الطاقة على الصعيد العالمي، ونصيب مماثل من انبعاثات الكربون، ومع ارتفاع معدلات التحضر وتكاليف الطاقة، أصبحت الحاجة إلى إدارة استخدام الطاقة بدقة من بين أولويات مديري المرافق، ومطوري الممتلكات، والمرافق على حد سواء، حيث أن المباني الذكية المجهزة بشبكات الاستشعار، والأجهزة المتطايرة، ونظم التحكم الآلية، تولد نماذج متفائلة من البيانات يمكن تسخيرها لفهمها.

Understanding the Challenge of Building Energy Forecasting

إن استهلاك الطاقة في مبنى تجاري أو سكني يتأثر مباشرة بمجموعة واسعة من العوامل المتفاعلة، إذ أن درجة الحرارة والرطوبة في الهواء الطلق، والإشعاع الشمسي، وسرعة الرياح، والكثافة والسلوك في الشغل، والوقت الذي يستغرقه اليوم، ويوم الأسبوع، والجدول الزمني للعطلات، وكفاءة المعدات، وبناء الديناميات الحرارية، تؤدي جميعها دورا، وكثيرا ما تؤدي هذه العوامل أنماطا مؤقتة تتسم بالتعقيد، ولكنها تخضع أيضا للظواهر غير منتظمة وقابلية للتفاعل مع الزمن.

المعمارات التعليمية العميقة الأساسية لأغراض الحفظ

Recurrent Neural Networks and Long Short-Term Memory

أما الشبكات العصبية المتكررة فهي مصممة للبيانات المتتابعة، وتحتفظ بدولة مخبأة تلتقط المعلومات من مراحل زمنية سابقة، مما يجعلها صالحة للسلسلة الزمنية للطاقة، حيث يعتمد الاستهلاك الحالي على الظروف الأخيرة والماضية، غير أن سلسلة التلقيم الممتدة من خلال فترات العطلات الأسبوعية، تُعاني من اختفاء أو تنقّع في فترات القراء الطويلة، مما يحد من قدرتها على تعلم المعالينات التي تُظَر عليها في فترات زمنية طويلة.

الوحدات المتكررة

وتوفِّر الوحدات المتكررة ذات النطاقات الموحَّدة بديلاً مبسطاً للآليات المتوسطة الأجل، يجمع بين المدخلات وينساها في بوابة واحدة محدثة مع الحفاظ على القدرة الأساسية على إدارة المعالينات الطويلة الأجل، وتعتمد وحدات خفض الانبعاثات على معايير أقل من التدابير المتوسطة الأجل، مما يمكن أن يقلل من وقت التدريب والاحتياجات الحسابية، مما يجعلها جذابة لنشر أجهزة الحافة في نظم البناء الذكية.

Convolutional Neural Networks

وفي حين أن الشبكات العصبية التصالحية ترتبط بشكل شائع بتجهيز الصور، فقد أثبتت أنها قيمة أيضاً لتحليلات السلسلة الزمنية، وتطبق وحدات البرمجيات ذات الأبعاد الواحدة مرشحات للثورة عبر البعد الزمني، وتتعلم أنماطاً محلية مثل ارتفاعات الاستهلاك، أو سمات شكل الحمل، أو مقاييس قراءة الاستشعار.

آليات الاهتمام والنماذج المحولة

وتسمح آليات الاهتمام بمقارنة أهمية مختلف الخطوات الزمنية عند التنبؤ، بدلا من تضييق جميع المعلومات التاريخية إلى دولة مخفية واحدة، ويُستشف من هيكل البيانات المتحول، الذي يعتمد كليا على الاعتماد الذاتي، أنجز عمليات التجهيز اللغوي الطبيعي، ويُطبق بشكل متزايد على التنبؤ بالحد الأقصى من الوقت، وفي سياق بناء الطاقة، يمكن للمترجمين الشفويين أن يلتقطوا معالم طويلة المدى وأنماط معقدة من التجهيز الزمني.

Autoencoders for Anomaly Detection and Feature Learning

فالأسطوانات هي شبكات عصبية مدربة على إعادة بناء مدخلاتها بعد مرورها عبر طبقة من الاختناقات، وفي سير العمل على التنبؤ بالطاقة، تخدم أجهزة التألق غرضين رئيسيين، أولا، يمكنها أن تتعلم التمثيل المضغوط لأنماط الاستهلاك العادية، مما يتيح الكشف عن الشذوذ: عندما يتجاوز خطأ إعادة البناء عتبة، يُعلم النظام السلوك غير العادي الذي قد يشير إلى حدوث أخطاء في المعدات، أو تغييرات في النشأة، أو قضايا نوعية البيانات.

مصادر البيانات والهندسة النسائية

بيانات الاستشعار والتوقيت

وتتوقف نوعية التنبؤات التعليمية العميقة بشكل مباشر على ثراء وموثوقية بيانات المدخلات، إذ إن المباني الذكية تنشر عادة مجموعة متنوعة من أجهزة الاستشعار: أجهزة قياس الطاقة في المبنى أو المنطقة أو مستوى الأجهزة؛ ودرجة الحرارة والرطوبة وأجهزة الاستشعار من ثاني أكسيد الكربون؛ وأجهزة الاستنشاق التي تستخدم أجهزة الاستنشاق باستخدام أجهزة الاستنشاق بالأشعة دون الحمراء أو الكاميرات أو طلبات الكشف عن المواد السائلة؛ وأجهزة رصد حالة المعدات لوحدات المتزامنة.

بيانات الطقس والبيئة

وتأتي الظروف الجوية الخارجية من أقوى التنبؤات المتعلقة ببناء استهلاك الطاقة، ولا سيما بالنسبة لحمولات الهيدروكربون المشبع بالفلور، وتشمل المتغيرات الرئيسية درجة الحرارة في الهواء الطلق، والرطوبة النسبية، والأشعة الشمسية، وسرعة الرياح، والتنبؤات، وهذه البيانات عادة ما يتم الحصول عليها من محطات الطقس المحلية أو خدمات الطقس التجارية، ويجب أن تتوافق مع بيانات الاستشعار عن المباني، كما أن بعض النماذج تتضمن التنبؤات الجوية كمدخلات خارجية لتوليد استراتيجيات التنبؤات المستقبلي.

بيانات الحيازة والمعالجة

ويقود سلوك الحيازة جزءاً كبيراً من بناء استخدام الطاقة من خلال الإضاءة، والشحنات، وتسويات الحرق، ويوفر الاستشعار المباشر للشغل أكثر الإشارات دقة، ولكن الشواغل المتعلقة بالخصوصية وتكاليف الاستشعار غالباً ما تحد من توافره، وفي الممارسة العملية، تعتمد نظم كثيرة على نواتج مثل عديات الاتصال بالشبكة، ومستويات ثاني أكسيد الكربون، أو نشاط أجهزة الاستشعار بالحركة.

التأشيرات المؤقتة والجداولية

ويتبع استهلاك الطاقة أنماطاً زمنية قوية: الدورات اليومية التي تبلغ ذروتها في الصباح والليلة، والأنماط الأسبوعية التي تقل فيها استخدام نهاية الأسبوع في المباني التجارية، والنوبات الموسمية التي تُدفع بمطالب التدفئة والتبريد، وتُعد سمات الجدول الزمني مثل الشهر، ويوم الأسبوع، وساعة، وأعلام العطلات، والوقت الذي يستغرقه العطلة الأخيرة، سياقاً أساسياً لنماذج التعلم العميق، وتُدرج هذه السمات في العادة كمتغيرات الدورية باستخدام المُصَة.

التدريب والتقييم النموذجيان

تجهيز البيانات وتسلسلها

وتحتاج بيانات الاستشعار عن طريق الفرو إلى تجهيز مسبق دقيق قبل التدريب، وتشمل الخطوات الموحدة معالجة القيم المفقودة عن طريق الاستقطاب أو ملء المستقبل، وإزالة المتفوقين الذين يستخدمون العتبات الإحصائية أو المعارف المتعلقة بالمجالات، وتطبيع الملامح إلى نطاق مشترك، وعادة ما يكون الفرق بين السلاسل الزمنية والوحدات، ويجب أن تُنظَّم البيانات إلى تسلسل مختصر في المدخلات والمدخلات: مثلا استخدام 168 ساعة من البيانات التاريخية (طول سلسلة البرمجة) للتنبؤات المتوقعة للتوقعات المتوقعة للتوقعات المتوقعة للاختيارات المتوقعة للتوقعات (ال 24 ساعة)

الهيكل النموذجي والتصويب على مستوى المقياس

ويستلزم تصميم هيكل فعال للتعلم العميق اتخاذ قرارات بشأن عمق الشبكة، وعدد الوحدات لكل طبقة، ومعدلات التسرب، ووظائف التنشيط، والتصوير الأمثل للخرغاريتمات، ويستخدم البحث عن المظالم، والبحث العشوائي، أو الاستخدام الأمثل للخلية البيزيونية لاستكشاف الحيز المتاح للكميات الفائقة، مع التحقق من وجود مجموعة من حالات التوقف عن الدراسة أو من خلال فترات التوقف عن العمل، وتشمل الاعتبارات الرئيسية توازن القدرة النموذجية على مواجهة المخاطرة في وقت مبكر.

قياسات التقييم لتوقع الاستحقاق

ويقيَّم مدى الدقة الافتراضية باستخدام القياسات التي تلتقط جوانب مختلفة من الخطأ، ويعاقب خطأ في النطاق المربع على الانحرافات الكبيرة ويستخدم على نطاق واسع لمقارنة النماذج، ويوفِّر الخطأ المطلق مقياساً للخطأ في المتوسط في الوحدات الأصلية، ويُظهر خطأ في النسبة المئوية المطلقة للكلمات خطأ يتعلق بالاستهلاك الفعلي، وييسر المقارنة بين المباني ذات النطاقات المختلفة.

التحديات

خصوصية البيانات والأمن

ويمكن أن تكشف بيانات الطاقة عن أنماط الشغل والسلوك الشاغل والروتينات التشغيلية، مما يثير شواغل مشروعة تتعلق بالخصوصية، بينما تُستحدث أنظمة مثل اللائحة العامة لحماية البيانات في أوروبا والأطر المماثلة في مناطق أخرى، شروطاً على جمع البيانات وتخزينها وتجهيزها، ويجري تطوير تقنيات مثل الكشف عن البيانات، والخصوصية المتمايزة، والتعلم الموحد، وذلك من أجل إتاحة التدريب النموذجي دون تعريض نماذج معينة للتعلم الفردي الحساس.

الاحتياجات الحاسوبية

وتحتاج نماذج التعلم العميق، ولا سيما التدابير الطويلة الأجل أو المحولة الكبيرة، إلى موارد حاسوبية كبيرة للتدريب والاختبار، كما أن التدريب القائم على التكتل شائع ولكنه يستحدث عيوب وثباتات وحاجات تكلفة التطبيقات في الوقت الحقيقي، وتعتمد النُهج الحاسوبية المتميزة، التي تُستخدم فيها الأجهزة المحلية مثل أجهزة خام الزبيب أو الخواديم المكرَّسة، على الاعتماد على نماذج الربط الشبكي وتحسين وقت الانتقاء في مجال البنية التحتية.

التفسير والثقة

وكثيرا ما تكون الشبكات العصبية العميقة موضع انتقادات باعتبارها نماذج للصناديق السوداء، مما يجعل من الصعب فهم سبب حدوث تنبؤ معين، وبالنسبة لبناء إدارة الطاقة، حيث يحتاج المشغلون إلى الثقة والعمل على التنبؤات، فإن قابلية التفسير ضرورية، كما أن التقنيات مثل " SHAP " (الشرحات الإضافية الضخمة)، والمصطلحات الإلكترونية (الشرحات النموذجية المعقولة للتصنيع)، والتصورات المتعلقة بحجم البحث توفر معلومات عن الآثار المتوقعة في مجال البرمجيات.

سجّالة البيانات وتعلم النقل

ويتطلب التدريب على نماذج التعلم العميقة القوية مجموعات بيانات كبيرة ومتنوعة تغطي التباينات الموسمية، والأنماط المختلفة للشغل، والحالات الحادة مثل الظواهر الجوية الشديدة أو إخفاق المعدات، ويفتقر العديد من المباني إلى بيانات تاريخية كافية، ولا سيما بالنسبة للمنشآت الجديدة أو بعد عمليات إعادة التشغيل الرئيسية، ويعالج هذا الأمر من خلال التدريب المسبق على نموذج البيانات المستمدة من المباني المماثلة أو على مجموعات البيانات العامة الكبيرة، ثم يحسن مستوى البناء المستهدف مع بيانات محدودة.

الاتجاهات المستقبلية والاتجاهات الناشئة

التعليم الموحد والخصوصي - الحفاظ على الخصوصية

ومع تشديد أنظمة الخصوصية وتشديد ملاك المباني على نحو يتجنب إضفاء الطابع المركزي على البيانات الحساسة، فإن التعلم الموحد سيتحول إلى نهج موحد لنماذج التدريب عبر حافظات المباني، وفي هذا النموذج، يقوم كل مبنى بتدريب نموذج محلي على بياناته الخاصة، ولا يجري تبادل سوى تحديثات نموذجية (التدرجات أو البارامترات) مع خادم مركزي يجمعها في نموذج عالمي، ويحافظ على موقع البيانات المحلية بينما يستفيد من التعليم الجماعي.

EI and Real-Time Inference

ويمكِّن التحول إلى الحوسبة الحادة من استخدام أسلوب التعلم العميق من مباشرة على أجهزة التحكم في المباني أو بوابات الإيوت أو الأجهزة المدمجة، مما يقلل من الرطوبة ويزيل الاعتماد على الربط السحابي، وتزداد إمكانية تطبيقات التطويع المباشر في الأجهزة، مثل وحدات التجهيز العصبية في أجهزة الحواف، والأشكال النموذجية المثلى مثل نقاط تينسورفللو ليت وشبكة أند إنكس.

التكامل مع التوائم الرقمية

فالتوأم الرقمية، أو النماذج الافتراضية للمباني المادية التي يجري تحديثها باستمرار مع بيانات الاستشعار، توفر بيئة طبيعية لدمج نماذج التعلم العميق، وفي إطار رقمي مزدوج، يمكن لنماذج التنبؤ بالطاقة أن تحاكي أثر مختلف استراتيجيات المراقبة، أو سيناريوهات إعادة التلف، أو أنماط الشغل قبل تطبيقها في المبنى الحقيقي، مما يتيح إجراء التحليلات الفعالة والتحكم الأمثل دون تعطيل العمليات.

التعلم المتعدد الوسائط والتعددي الأطياف

وستدرج النماذج المستقبلية على نحو متزايد طرائق مختلفة للبيانات تتجاوز القراءات التقليدية للاستشعار: الصور الرادارية الجوية، والبيانات الساتلية عن الإمكانات الشمسية، والتغذية المرتدة عن طريق المساعدين الذكيين، وإشارات أسعار الفائدة، وقد تؤدي هياكل التعلم المتعددة الأطقم التي تنبأ في آن واحد باستهلاك الطاقة، ومقاييس الراحة، وصحة المعدات إلى إيجاد معلومات أكثر شمولا عن البناء، وتعود هذه النهج باستخلاص التفاعلات بين النظم الفرعية التي لا تُرى عن نماذج واحدة.

الاعتبارات العملية المتعلقة بالنشر

ويستلزم الانتقال من نماذج البحوث إلى نظم التنبؤ بالطاقة الجاهزة للإنتاج الاهتمام بالأساسيات الهندسية، ويجب أن تعالج البنية التحتية النموذجية القائمة معدلات الطلبات المتغيرة، وانجراف البيانات مع الزمن، وإعادة التدريب الدوري، وتتتبع نظم الرصد مقاييس دقة التنبؤ في الوقت الحقيقي، وتحفز الإنذارات عند حدوث تدهور في الأداء دون العتبات، كما أن مراقبة النماذج وخطوط البيانات تكفل إعادة إنتاجها وقدرة على بناء شبكات البناء القائمة تنطوي على نمط موحد.

وتزداد وضوح حالة الأعمال المتعلقة بالتعلم العميق في المباني الذكية، إذ تشير التقارير عموما إلى انخفاض استهلاك الطاقة بنسبة تتراوح بين 10 و 30 في المائة بالنسبة للمباني التي لديها نظم رقابة متوقعة، مع ما يقابل ذلك من تخفيضات في تكاليف المرافق العامة وانبعاثات الكربون، وتتقلص فترات استرداد الأجور مع انخفاض تكاليف أجهزة الاستشعار، وتصبح أجهزة الحاسوب أكثر كفاءة، ونضج أدوات البرمجيات المفتوحة المصدر، ويضع ملاك المباني ومشغلوها الذين يستثمرون في البنية التحتية للبيانات وتطوير النماذج في الوقت الحاضر في وضعهم في تكاليف تنافسية في عصر يزداد فيه الضغط من حيث يُرفع من الطاقة.

خاتمة

وقد أثبتت نماذج التعلم العميق أنها أكثر النهج دقة ومرنا للتنبؤ باستهلاك الطاقة في المباني الذكية، إذ أن الهياكل الأساسية تتراوح بين الإدارة السليمة بيئياً والوحدة الوطنية لسواتل الملاحة وأجهزة التحويل وأجهزة التشغيل الآلي، كل منها، ستجلب مواطن قوة محددة إلى مختلف جوانب مشكلة التنبؤ، ولا يعتمد النجاح على اختيار النماذج فحسب، بل أيضاً على جودة البيانات، وهندسة السمات، والممارسات التدريبية القوية، والاهتمام الدقيق بتحديات المتعلقة بالنشر، بما في ذلك الخصوصية، والتكلفة المزدوجة، والتنبؤ.