Как автоматизация зданий и машинное обучение могут оптимизировать освещение и системы HVAC

Оптимизация систем освещения с помощью машинного обучения

На освещение приходится примерно 15-20% общего энергопотребления коммерческого здания. Традиционные элементы управления освещением полагаются на часы времени или простые датчики заполнения с фиксированными тайм-аутами. Машинное обучение повышает контроль освещения, включая несколько контекстных переменных для доставки света именно там и тогда, когда это необходимо, с минимальными затратами энергии.

Управление освещением на основе занятости

Передовые модели ML обрабатывают данные от датчиков занятости, точек доступа Wi-Fi и даже календарных интеграций, чтобы предсказать использование пространства с высокой точностью. Вместо того, чтобы просто включать свет при обнаружении движения, система предвосхищает заполняемость. Например, если модель узнает, что конференц-зал обычно используется с 10:00 до 11:30 по вторникам, она может предварительно обусловить освещение (и связанный с ним HVAC) за несколько минут до начала встречи, затем тускло или выключить свет быстро, когда комната опорожняется. Это уменьшает расточительные периоды «включается, пустая комната», которые преследуют простые системы на основе датчиков.

Дневной сбор и адаптивное планирование

Машинное обучение улучшает сбор дневного света за счет интеграции данных в реальном времени с датчиков наружного света, оконных слепых позиций и прогнозов погоды. Модель узнает, как различные зоны реагируют на естественный свет в течение дня и в течение сезонов. Затем она регулирует уровни искусственного освещения для поддержания целевой освещенности, плавно смешивая естественный и электрический свет. Кроме того, система может адаптировать графики с течением времени, распознавая изменения в заполняемости здания из-за праздников, тенденций удаленной работы или новых арендаторов, не требуя ручного перепрограммирования.

Преимущества и примеры реальных ситуаций

Организации, внедряющие ML-управляемое управление освещением, сообщают об экономии энергии на 20-40% сверх того, что достижимо с помощью традиционных средств управления. В крупных коммерческих офисах это приводит к значительному сокращению затрат. Кроме того, удовлетворенность пассажиров улучшается, поскольку освещение персонализировано в соответствии с индивидуальными предпочтениями, где установлены адресные светильники, а блики или недостаточное освещение сведены к минимуму.

Повышение эффективности HVAC за счет машинного обучения

Системы HVAC представляют собой единственную наибольшую энергетическую нагрузку в большинстве коммерческих зданий, потребляющую до 40-60% от общей энергии.Сложность тепловой динамики в сочетании с переменной заполняемостью и погодой делает оптимизацию HVAC идеальным приложением для машинного обучения.

Прогнозирование HVAC расписания

Вместо фиксированного времени запуска система, управляемая ML, вычисляет оптимальное время для начала нагрева или охлаждения зоны. Модель учитывает внешнюю температуру, солнечное усиление, тепловое отставание здания и желаемое время установки. В мягкую погоду система может задержать запуск, чтобы сэкономить энергию. В экстремальных условиях она может начать раньше, чтобы обеспечить комфорт к моменту прибытия пассажиров. Это «точно в срок» кондиционирование может снизить потребление энергии HVAC на 15-25% без ущерба для комфорта.

Оптимизация температуры на уровне зоны

Машинное обучение позволяет осуществлять гранулированный контроль на уровне зоны путем моделирования того, как каждая зона реагирует на входы нагрева и охлаждения. Система регулирует температуру воздуха, положение демпфера и клапанные отверстия для поддержания комфорта только там, где это необходимо. Если зона не занята или используется легко, то заданная точка может быть расслаблена без воздействия на другие области. Усилители обучения могут исследовать стратегии, чтобы найти наиболее энергоэффективный способ обслуживания всех зон, обучаясь на основе обратной связи, предоставляемой датчиками температуры и отчетами о комфорте пассажиров.

Обнаружение и диагностика вины (FDD)

Одним из наиболее ценных применений ML в HVAC является непрерывное обнаружение неисправностей. Модель ML, обученная нормальной работе оборудования, может выявлять аномалии, такие как постепенная потеря эффективности чиллера, застрявший демпфер или неисправный компрессор. Раннее обнаружение позволяет группам обслуживания вмешиваться, прежде чем небольшая проблема станет дорогостоящей поломкой, сокращение затрат на ремонт и предотвращение отходов энергии. Исследования Национальной лаборатории возобновляемых источников энергии (NREL) показали, что постоянные неисправности HVAC могут составлять 10-30% энергетических отходов, большая часть которых можно избежать с помощью диагностики на основе ML.

Энергосбережение и улучшение комфорта

Сочетание прогнозного планирования, оптимизации зоны и обнаружения неисправностей обычно дает общую экономию энергии HVAC на 20-40%, а некоторые тематические исследования сообщают о еще более высоких результатах. Комфорт пассажиров также повышается, потому что система активно реагирует на изменение условий, снижение перепадов температуры и поддержание более жесткого контроля вокруг заданных точек.

Синергетическая интеграция освещения и HVAC

Оптимизация освещения и HVAC отдельно дает существенную экономию, но истинная сила автоматизации зданий с машинным обучением возникает, когда эти системы интегрированы. Освещение генерирует тепло, которое напрямую влияет на охлаждающую нагрузку. И наоборот, затемнение света снижает внутреннее теплоприемник, позволяя системе HVAC работать более эффективно. Интегрированный контроллер ML может координировать эти взаимодействия. Например, в жаркий летний день система может тускнеть некритическое освещение или повышать свою коррелированную цветовую температуру для уменьшения воспринимаемого тепла, одновременно уменьшая как световые, так и охлаждающие нагрузки. Этот целостный подход усиливает общее снижение энергии при сохранении или даже улучшении комфорта пассажиров.

Ключевые преимущества интеграции BAS и машинного обучения

Развертывание автоматизации зданий с улучшенным ML обеспечивает ощутимые, измеримые результаты по нескольким измерениям.

Экономия энергии и затрат

Типичная экономия энергии на цельном строительстве колеблется от 20-35%, при этом пиковые сокращения спроса аналогичной величины.Для крупного коммерческого здания это может представлять собой сотни тысяч долларов ежегодной экономии, обеспечивая сильную отдачу от инвестиций в течение 2-4 лет.

Комфорт и производительность жильцов

Улучшение освещения и теплового контроля напрямую влияет на удовлетворенность и производительность жильцов. Исследования показывают, что улучшение качества окружающей среды в помещении может повысить индивидуальную производительность на 5-10%. Меньше жалоб на температуру и освещение означает, что команды объектов тратят меньше времени на реактивные проблемы и больше на стратегические улучшения.

Прогнозное обслуживание и долговечность системы

Оборудование работает более эффективно, работает дольше и испытывает меньше катастрофических сбоев, что снижает как затраты на техническое обслуживание, так и затраты на замену капитала с течением времени.

Устойчивость и цели ESG

Для организаций с нулевыми или нулевыми показателями сокращения выбросов углерода оптимизированное освещение и HVAC являются критическими рычагами. Более низкое потребление энергии напрямую снижает выбросы углерода в Сферу 2. Точное отслеживание и отчетность по энергии также поддерживают требования к раскрытию информации об окружающей среде, социальных и управленческих требованиях (ESG), повышая доверие заинтересованных сторон.

Рассмотрение вопросов осуществления и проблемы

Хотя выгоды являются убедительными, успешное осуществление требует тщательного планирования и внимания к ключевым факторам.

Качество данных и сенсорная инфраструктура

Модели машинного обучения хороши только в той мере, в какой они обучены данным. Зданиям нужна надежная сенсорная сеть, которая обеспечивает точные, детальные данные о температуре, заполняемости, уровнях освещения и потреблении энергии. Обновление старых зданий дополнительными датчиками может быть значительной первоначальной стоимостью, но это важно для достижения высококачественной оптимизации.

Интеграция с существующими системами

Большинство существующих BAS используют устаревшие протоколы и проприетарное оборудование. Интеграция платформы аналитики ML требует промежуточного программного обеспечения или API для преодоления разрыва между старым и новым. Организации должны оценить, поддерживает ли их текущий BAS открытые стандарты, такие как BACnet / IP, поскольку это упрощает интеграцию и будущее-доказательство инвестиций.

Кибербезопасность и конфиденциальность

Добавление слоя ML увеличивает поверхность атаки сети управления зданием. Для защиты от угроз необходимы надежные меры кибербезопасности, включая сегментацию сети, шифрование и регулярные проверки безопасности. Кроме того, данные о заполняемости от датчиков могут вызывать проблемы с конфиденциальностью; политики должны гарантировать, что данные анонимизируются и используются только для целей оптимизации.

Квалифицированная рабочая сила и управление изменениями

Управление BAS с ML-улучшением требует навыков в области науки о данных, управления и управления объектами. Организации, возможно, потребуется обучить существующий персонал или нанять новых талантов. Управление изменениями также имеет решающее значение для обеспечения того, чтобы команды объекта доверяли и принимали рекомендации системы, а не преобладали над ними.

Будущее умных зданий

Сближение BAS и машинного обучения ускоряется. Новые тенденции указывают на еще большие возможности. Цифровая технология-близнец позволит операторам моделировать поведение зданий в различных сценариях перед развертыванием изменений. Сетевые интерактивные здания будут использовать ML для корректировки нагрузок в ответ на цены на энергию в реальном времени или сигналы сети, предоставляя услуги реагирования на спрос. Краевые вычисления Позволяют делать выводы в реальном времени ML непосредственно на контроллерах, уменьшая задержку и потребности в пропускной способности. По мере расширения Интернета вещей (IoT) объем и разнообразие строительных данных будет только расти, питая все более сложные модели.