Zastosowanie ML w systemach HVAC (Zarządzanie Energią)

Systemy ogrzewania, wentylacji i klimatyzacji (HVAC) odpowiadają za 40% do 60% całkowitego zużycia energii w budynkach komercyjnych ¹⁾. Jest to obszar, w którym algorytmy uczenia maszynowego przynoszą najszybszy zwrot z inwestycji.

Większość istniejących budynków sterowana jest przez systemy BMS w oparciu o sztywne harmonogramy czasowe oraz proste pętle regulacji PID ²⁾.

Główne wady takiego rozwiązania:

• Brak adaptacji: System nie reaguje na zmienne obłożenie biura.
• Reaktywność: Ogrzewanie włącza się dopiero, gdy w pomieszczeniu spadnie temperatura.

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 ³⁾.

Model predykcyjny bierze pod uwagę trzy kluczowe zmienne:

System pobiera dane z API pogodowych. Algorytm analizuje korelacje między temperaturą zewnętrzną a zużyciem energii ⁴⁾.

• Reakcja: Pre-cooling (wstępne chłodzenie) przed nadejściem szczytu upałów.

Każdy budynek działa jak “bateria termiczna”. Zgodnie ze standardem ⁵⁾, wykorzystanie masy termicznej budynku pozwala na przesunięcie szczytowego zapotrzebowania na energię.

Na podstawie danych historycznych system przewiduje liczbę osób w biurze, dostosowując wydajność wentylacji do rzeczywistych potrzeb ⁶⁾.