energetyka [Machine Learning in Facility Management]

This page is read only. You can view the source, but not change it. Ask your administrator if you think this is wrong.
====== Zastosowanie ML w systemach HVAC (Zarządzanie Energią) ======
Systemy ogrzewania, wentylacji i klimatyzacji (HVAC) odpowiadają za **40% do 60%** całkowitego zużycia energii w budynkach komercyjnych ((Pérez-Lombard L. et al., "A review on buildings energy consumption information", 2008)). Jest to obszar, w którym algorytmy uczenia maszynowego przynoszą najszybszy zwrot z inwestycji.



{{:hvac_system.jpg?600|}} ===== 1. Problem: Ograniczenia tradycyjnych systemów BMS =====
Większość istniejących budynków sterowana jest przez systemy BMS w oparciu o sztywne harmonogramy czasowe oraz proste pętle regulacji PID ((Atkin B., Brooks A., "Total Facility Management", 2015)).


Główne wady takiego rozwiązania:
  * **Brak adaptacji:** System nie reaguje na zmienne obłożenie biura.
  * **Reaktywność:** Ogrzewanie włącza się dopiero, gdy w pomieszczeniu spadnie temperatura.

===== 2. Rozwiązanie: Sterowanie Predykcyjne (MPC) =====
Machine Learning wprowadza paradygmat **Model Predictive Control (MPC)**. Jak wskazują badania, algorytm nie patrzy tylko na to, co dzieje się "teraz", ale symuluje zachowanie budynku na kilka godzin do przodu ((Qian F., et al., "Machine learning for HVAC system performance enhancement", 2020)).

Model predykcyjny bierze pod uwagę trzy kluczowe zmienne:

==== A. Prognoza Pogody ====
System pobiera dane z API pogodowych. Algorytm analizuje korelacje między temperaturą zewnętrzną a zużyciem energii ((Zhao H.X., Magoulès F., 2012)).
  * **Reakcja:** Pre-cooling (wstępne chłodzenie) przed nadejściem szczytu upałów.

==== B. Bezwładność Cieplna ====
Każdy budynek działa jak "bateria termiczna". Zgodnie ze standardem ((ASHRAE Standard 90.1, "Energy Standard for Buildings")), wykorzystanie masy termicznej budynku pozwala na przesunięcie szczytowego zapotrzebowania na energię.

==== C. Przewidywanie Obłożenia ====
Na podstawie danych historycznych system przewiduje liczbę osób w biurze, dostosowując wydajność wentylacji do rzeczywistych potrzeb ((Goyal S. et al., "A Model Predictive Control for Optimal HVAC Operation", 2018)).

===== Podsumowanie korzyści =====

^ Metoda Sterowania ^ Czas reakcji ^ Oszczędność energii ^ Komfort ^
| **Tradycyjna (BMS)** | Po fakcie (Reaktywna) | 0% (Punkt odniesienia) | Średni (wahania temperatur) |
| **Predykcyjna (ML)** | Z wyprzedzeniem | **15% - 25%** | Wysoki (stabilna temperatura) |

<gchart bar 500x250 "Miesięczny koszt energii [PLN]" center>
Tradycyjny BMS = 15000
System z ML = 11500
</gchart>