Eden najučinkovitejših pristopov za zmanjšanje emisij CO2 in porabe energije pri novih stavbah je razmislek o energetski učinkovitosti v zelo zgodnji fazi načrtovanja. Po drugi strani lahko učinkovito upravljanje z energijo in pametne prenove izboljšajo energetsko učinkovitost obstoječih zalog. Vse te rešitve vključujejo natančno napoved energije za optimalno odločanje.
V zadnjih letih je bila za napovedovanje porabe energije in zmogljivosti stavb predlagana na splošno umetna inteligenca (AI) in tehnike strojnega učenja (ML). Ta članek ponuja obsežen pregled nekatere od glavnih pristopov ML, vključno z umetno nevronsko mrežo, podpornim vektorskim strojem, Gaussovo regresijo s sistemom grozdenja, ki se običajno uporabljajo pri napovedovanju in izboljšanju energetske učinkovitosti stavb.
V bistvu imajo stavbe potencial in infrastrukturo za proizvodnjo energije, ki jo potrebujejo na kraju samem. Od tod prihaja ideja o nič ali plus energijskih stavbah, od katerih se vse več pojavlja po vsem svetu, zlasti v Nemčiji. Tam imajo imena, kot so "energijska hiša", "Ničelno energijska hiša", " Plus učinkovita hiša", " Aktivna plus hiša " ali " Aktivna sončna plus hiša ", kot tudi mednarodna "(neto) ničelna energijska hiša", "CO2-nevtralen dom", itn.
Slika - Otroški dom Plus energijski, kjer lahko majhni "uporabniki" te stavbe iz prve roke izkusijo, da stavba ustvari več energije, kot jo porabi.
Nasprotno pa normativno uvedene definicije običajno še niso na voljo. S posodobitvijo direktive o stavbah v EU "Direktiva o energetski učinkovitosti stavb (EPBD)" iz leta 2010 je Evropska unija že ciljala na "skoraj nič-energetske stavbe" in poziva k temu nedefiniranemu gradbenemu standardu v državah članicah za nove stavbe od leta 2020 naprej.
Arhitekti že dolgo uporabljajo koncepte nič energije, da bi se postavili na rastoči trg "zelenih zgradb". Zasebne stranke so navdušene nad trajnostjo in nizkimi obratovalnimi stroški takšnih zgradb. Stanovanjska ali nepremičninska podjetja želijo te koncepte uporabiti za povečanje privlačnosti svojih nepremičnin in s tem najemne stopnje. In to niso samo podjetja iz ekološke industrije, ki upajo na tržni učinek gradnje nič energije.
Toda kako se te zgradbe dejansko štejejo in energetsko uravnotežijo? Katero obdobje naj vključuje opazovanje? Kaj je vključeno v bilanco stanja? Ali je poraba primarne energije, ekvivalenti CO2 ali stroški energije ustrezajo ustreznim kazalnikom in kako se pretvorijo? Kako so stavbe tehnično izvedene in kakšen vpliv ima vse to na njihovo arhitekturo?
Emisija toplogrednih plinov, vključno z ogljikovim dioksidom (CO2) v višjih slojih ozračja, je znana kot glavni vzrok pojavov globalnega segrevanja. V Veliki Britaniji so stavbe odgovorne za 46 odstotkov vseh emisij CO2. Ta številka znaša 40 odstotkov v ZDA in 27 odstotkov v Avstraliji. Zato je izboljšanje energetske učinkovitosti stavb postalo bistveno vprašanje za zmanjšanje količine emisij plina in porabe fosilnih goriv. Z izboljšanjem energetske učinkovitosti stavb Evropske unije, približno za 20odstotkov na leto ocenjujemo, da bi prihranili 60 milijard evrov za 20 odstotkov na leto.
Za poskus zmanjšanja količine toplogrednih plinov je treba bistveno spremeniti človeško vedenje pri porabi energije, izdelavi okolju prijaznejših izdelkov ter prepoznati in omiliti vzroke teh nezaželenih plinov. Zato se zdi, da sta izboljšanje tehnik za gradnjo energetsko učinkovitejših stavb in izboljšanje porabe energije v stavbah velika poteza za zmanjšanje grožnje globalnega segrevanja.
Prvi korak za povečanje porabe energije v stavbah je izračun tega zneska z uporabo metode gradbene energije, ki je informativno orodje, ki oblikovalcem z odločitvijo zagotavlja primerljiv indeks energetske učinkovitosti. Na splošno se poraba energije za stavbe v določenem obdobju, normalizirana glede na talno površino, uporablja za izražanje zmogljivosti (kWh / m2 / obdobje), znane kot kazalnik energetske učinkovitosti (EPI) ali intenziteta porabe energije (EUI).
Ocenjevanje stavbne energije je ločeno v štiri glavne kategorije:
- inženirski izračun,
- simulacijski model na osnovi primerjalne analize in statistično modeliranje ter Strojno učenje (ML). Inženirske metodologije uporabljajo fizikalne zakone za pridobivanje stavbne porabe energije na celotni ali na pod sistemski ravni. Najbolj natančne metode uporabljajo zapleteno matematiko ali gradbeno dinamiko za izpeljavo natančne porabe energije za vse sestavne dele stavbe, pri čemer se kot vhodni podatki upoštevajo notranje in zunanje podrobnosti (na primer - Podnebne informacije, gradbena tkanina, sistem HVAC).
Simulacija energetske učinkovitosti stavbe vključuje programske in računalniške modele za simulacijo učinkovitosti z vnaprej določenim statusom. Na splošno se lahko računalniška simulacija uporablja za različne aplikacije, kot so razsvetljava in sistem HVAC. Obstoječi podatki o energiji stavbe so omogočili uporabo metod od zgoraj navzdol za oceno energetske učinkovitosti. Statistične metode uporabljajo gradbene zgodovinske podatke in pogosto uporabljajo regresijo za modeliranje porabe / učinkovitosti stavb.
Ti modeli se imenujejo tudi nadomestni modeli, ki temeljijo na podatkih, saj izkoriščajo obstoječe podatke, namesto da se opirajo na kompleksne podrobnosti sistema. ML kot podskupina umetne nepopustljivosti zagotavlja možnost učenja iz podatkov z uporabo računalniških algoritmov. Koncept ML je tesno povezan z računsko statistiko. Zato lahko to metodo obravnavamo tudi kot podkategorijo statističnega modeliranja.
Ta članek pregleduje najsodobnejšo uporabo metod ML za analizo, oceno in primerjavo energetske analize stavbe s poudarkom na prednosti in pomanjkljivostih, ponuja razpravo o možnem izboljšanju učinkovitosti modela, aplikacij in prihodnjih priporočil.
Najprej je predstavljena kratka predstavitev motivacije in potrebe uporabe ML v gradbeni energiji. Nato so podrobno obrazložene različne metode ML in pregled uporabe modelov v gradbenem sektorju, nato pa povzetek teh načinov in nadaljnje informacije o značilnostih zgradb (študije primerov). Na podlagi razprav o različnih primerih in uporabnih je predlagan okvir za izbiro najustreznejše metode ML. Zaključek je sklep, ki poudarja trenutne izzive v zvezi z ML in omejitve seminarskih del ter možne raziskovalne možnosti za izboljšanje energetske napovedi in primerjalne analize z uporabo ML.
ML se običajno uporablja za opis računalniškega algoritma, ki se uči iz obstoječih podatkov. Ti algoritmi običajno uporabljajo veliko količino podatkov in razmeroma majhno število vhodnih funkcij za učni proces. V zadnjih letih so bile v gradbenem sektorju predlagane številne tehnike za ocenjevanje obremenitev ogrevanja in hlajenja, porabe energije in učinkovitosti v različnih okoliščinah.
ML modeli delujejo kot črna škatla in ne potrebujejo informacij o gradbenih sistemih. Odkrivajo povezavo med različnimi vhodnimi funkcijami in izhodnimi cilji (na primer, Energijsko zmogljivostjo) z uporabo danih podatkov. Ko so modeli ML usposobljeni z zadostno količino podatkov, jih je mogoče uporabiti za napovedovanje ciljev za nevidne vzorce, čeprav razmerje med značilnostmi in cilji ni določeno.
Ta postopek je znan tudi pod nadzorom učenja na področju ML. V tem primeru se ciljni energetski parameter izračuna s simulacijo (v splošni inženirski metodi) ali izmeri in uporabi za usposabljanje modela. Splošna shema nadzorovanega učenja za modeliranje stavbne energije je prikazana na sliki 1.
Druga metoda ML, namreč kot nenadzorovano učenje, je dobila veliko pozornosti pri gradnji energetskih analiz. Nenadzorovano učenje, znano tudi kot nenadzorovana klasifikacija, se uporablja predvsem za neoznačene podatke za njihovo združevanje na podlagi skritega vzorca in podobnosti, ki so podlaga za lastnosti. Ta metoda je zelo koristna za uporabo primerjalne analize energije, pri kateri je določitev osnovnih stavb ključnega pomena za izračun energetske učinkovitosti podobnih primerov.
Zato algoritmi združevanja zagotavljajo natančnejša orodja za razvrščanje različnih stavb v primerjavi s tradicionalno metodo, kjer se pretežno nanašajo na vrsto uporabe stavbe. Treba je opozoriti, da z uporabo algoritma združevanja za oblikovanje skupin ni mogoče oceniti grozdov za nove stavbe. Zato je treba za določitev referenčne zgradbe za druge primere uporabiti dodatno nadzorovano tehniko ML. V tem pristopu se vse zgradbe, pri katerih se uporablja sistem grozdenja, uporabljajo kot vzorci za usposabljanje in za razvrščanje, pri čemer se ustvarjene nalepke iz grozda štejejo za učne cilje.
Druga metoda ML, namreč kot nenadzorovano učenje, je dobila veliko pozornosti pri gradnji energetskih analiz. Nenadzorovano učenje, znano tudi kot nenadzorovana klasifikacija, se uporablja predvsem za neoznačene podatke za njihovo združevanje na podlagi skritega vzorca in podobnosti, ki so podlaga za lastnosti. Ta metoda je zelo koristna za uporabo primerjalne analize energije, pri kateri je določitev osnovnih stavb ključnega pomena za izračun energetske učinkovitosti podobnih primerov.
Zato algoritmi združevanja zagotavljajo natančnejša orodja za razvrščanje različnih stavb v primerjavi s tradicionalno metodo, kjer se pretežno nanašajo na vrsto uporabe stavbe. Treba je opozoriti, da z uporabo algoritma združevanja za oblikovanje skupin ni mogoče oceniti grozdov za nove stavbe. Zato je treba za določitev referenčne zgradbe za druge primere uporabiti dodatno nadzorovano tehniko ML. V tem pristopu se vse zgradbe, ki uporabljajo grozdenje, uporabljajo kot vzorci za usposabljanje in razvrščanje, pri čemer se ustvarjene nalepke iz grozda štejejo za učne cilje. Diagram poteka celotnega postopka je prikazan na sliki 2.
Umetne nevronske mreže
Nevronske mreže so bile široko uporabljene za oceno energije stavb in so znane kot glavne tehnike ML na tem področju. Uspešno se uporabljajo za modeliranje nelinearnih problemov in zapletenih sistemov. Z uporabo različnih tehnik imajo ANN-ji sposobnost, da so imuni na motnje in hrup (Tso in Yau), medtem ko se učijo ključnih vzorcev gradbenih sistemov.
Glavna ideja ANN je pridobljena iz nevrobiološkega področja. Za različne aplikacije je bilo predlaganih več vrst ANN, vključno z omrežjem Feed Forward (FFN), Radial Basis Function Network (RBFN) in s ponavljajočimi se omrežji (RNN). Vsak ANN je sestavljen iz večplastnih (najmanj dveh slojev) nevronov in aktivacijskih funkcij, ki tvorijo povezave med nevroni. Nekatere funkcije so linearne, sigmoidne trde omejitvene funkcije (Park in Lek 2016).
V FFN, ki je bil prvi NN model in tudi najpreprostejši, ni nobenih ciklov od vhoda do izhodnih nevronov in informacije, ki se v omrežju premikajo v eno smer. Slika 3 prikazuje splošno strukturo FFN z vhodom, izhodom in enim skritim slojem.
Sl. 3 - Konceptualna struktura nevronske mreže podajanja naprej s tremi plastmi
RNN uporablja svoj notranji pomnilnik, da se uči iz predhodnih izkušenj, tako da dovoli zanke od izhoda do vhodnih vozlišč. RNN so predlagali v različnih arhitekturah, vključno s popolnoma povezanim, rekurzivnim, dolgoročnim spominom itd. Ta vrsta nevronske mreže se običajno uporablja za reševanje zelo globokih učnih nalog (toj. Potrebnih je več kot 1000 slojev) (Pérez-Ortiz et al. 2003; Gers in Schmidhuber 2000).
V RBFM se funkcija radialne osnove izvaja kot aktivacijska funkcija, ki zagotavlja linearno kombinacijo vhodov in nevronskih parametrov kot izhoda. Ta vrsta omrežja je zelo učinkovita za napovedovanje ocene časovnih vrst (Harpham in Dawson 2006; Leung in sod. 2001; Park et al. 1998).
Na podlagi uporabe in zahtevnosti naloge se odloči struktura in s hranjenjem ustrezne količine zapisov funkcija aktiviranja posodobi uteži in pristranskost.
V zadnjih letih so bile optimizaciji gradbeništva in rabe energije v zgradbah deležne velike pozornosti, saj je ta sektor glavni dejavnik onesnaževanja zraka in porabe fosilne energije. Predpisi in višje cene goriva so prisilili lastnike k zmanjšanju porabe energije s pametnimi upravljalniki, senzorji ali z naknadno vgradnjo. Ta skrb je postala bolj kritična v tujem sektorju, saj se zaradi neučinkovitega upravljanja porablja ogromno energije.
Zato so za varčevanje z energijo uporabljene različne pametne tehnologije. Hiter razvoj sodobnih tehnologij, vključno s senzorji, informacijami, brezžičnim prenosom, omrežnimi komunikacijami, računalništvom v oblaku in pametnimi napravami, je povzročil ogromno količino podatkov.
Tradicionalno modeliranje stavbne energije s pomočjo programskih in statističnih pristopov ne zadošča povpraševanju po hitrem in natančnem napovedovanju, kar je bistveno za sisteme odločanja. ML modeli so pokazali velik potencial kot alternativno rešitev za energetsko modeliranje in oceno za različne tipe stavb.
V tem delu prispevka je bil predstavljen pregled modelov ML, ki se uporabljajo za gradnjo napovedi energije in primerjalne analize, navajajo prednosti in slabosti vsakega modela. Poleg tega je bilo dobro obravnavanih več tehnik pred obdelave, uporabljenih na modelih za povečanje natančnosti predvidevanja.
I.K.
