Содержание
1. Введение
Здания вносят значительный вклад в мировое потребление энергии, как показано на Рисунке 1, где видна их существенная доля в таких странах, как Индия, США, Китай, Корея и Австралия. Стремление к устойчивому развитию и распространение интеллектуальных счетчиков, систем управления зданиями (BMS) и датчиков окружающей среды привели к лавине данных об энергопотреблении зданий. Эти данные представляют беспрецедентную возможность выйти за рамки традиционных, редких энергоаудитов и ежемесячных счетов к непрерывному, основанному на данных пониманию работы здания. Ключевая задача и возможность заключаются в эффективном использовании этих данных для повышения энергоэффективности.
Ключевая статистика
На здания приходится от 20% до 40% общего энергопотребления в крупных экономиках, таких как США, Китай и Индия.
2. Структура 5 I для энергоэффективности на основе данных
В статье предлагается комплексная структура, сформулированная как «5 I», для реализации энергоэффективности зданий на основе данных. Эта структура организует путь от сбора сырых данных к практической информации.
2.1 Оптимальное оснащение
Это предполагает стратегическое развертывание сенсорной инфраструктуры. Речь идет не просто о сборе большего объема данных, а о сборе правильных данных с нужной детализацией и частотой. Сюда входят интеллектуальные счетчики (предоставляющие агрегированные данные о потреблении с интервалами, например, 15 минут), субсчетчики для конкретных систем (ОВКВ, освещение) и датчики окружающей среды (температура, занятость, уровень освещенности). Цель — создать экономически эффективную сенсорную сеть, обеспечивающую достаточную точность для анализа без излишней сложности.
2.2 Интеграция подсистем
Современные здания содержат изолированные системы: ОВКВ, освещение, безопасность и нагрузки от розеток часто работают независимо. Этот принцип подчеркивает важность интеграции этих систем для обмена данными и обеспечения скоординированного управления. Например, данные о занятости от датчиков безопасности могут информировать графики работы ОВКВ и освещения, что приводит к значительной экономии. Стандарты совместимости и промежуточное программное обеспечение являются здесь ключевыми техническими задачами.
2.3 Принятие решений на основе анализа
Это аналитическое ядро. Оно включает применение методов машинного обучения и статистических моделей к собранным и интегрированным данным для извлечения информации. Применения включают:
- Обнаружение и диагностика неисправностей (FDD): Выявление неисправного оборудования (например, заклинившей заслонки, неисправного чиллера) путем сравнения ожидаемых и фактических моделей работы.
- Прогнозирование нагрузки: Предсказание краткосрочного и долгосрочного спроса на энергию для оптимизации взаимодействия с сетью и локальной генерации.
- Распознавание образов: Понимание типичных профилей использования для выявления аномалий или неэффективности.
2.4 Вовлечение пользователей
Поведение пользователей является критическим, часто непредсказуемым фактором энергопотребления здания. Этот принцип фокусируется на превращении пользователей из пассивных потребителей в активных участников. Стратегии включают предоставление персонализированной обратной связи по энергопотреблению через информационные панели, внедрение геймификации для поощрения энергосберегающего поведения и проектирование адаптивных систем, которые учатся и реагируют на предпочтения пользователей, мягко направляя к эффективности.
2.5 Интеллектуальное управление
Это кульминация, когда информация, полученная в результате анализа и обратной связи от пользователей, преобразуется в автоматизированные или полуавтоматизированные управляющие действия. Это предполагает использование замкнутых систем, которые динамически регулируют работу здания — такие как уставки ОВКВ, уровни освещения и положение жалюзи — в реальном времени на основе текущих условий, прогнозов и занятости, чтобы минимизировать потребление энергии при сохранении комфорта.
3. Пример: Неинвазивный мониторинг нагрузки (NILM)
В статье NILM используется как хорошо изученная проблема, охватывающая все 5 I. NILM направлен на разделение общего потребления электроэнергии зданием (с одного интеллектуального счетчика) на вклад отдельных приборов.
- Оснащение: Основано на одном, оптимально расположенном интеллектуальном счетчике.
- Интеграция: Его выходные данные (данные на уровне приборов) могут поступать в другие системы (например, модуль FDD для контроля состояния приборов).
- Анализ: Ядро NILM включает сложную обработку сигналов и алгоритмы машинного обучения (например, скрытые марковские модели, глубокое обучение) для идентификации сигнатур приборов.
- Вовлечение: Предоставляет пользователям детальную разбивку их энергопотребления, позволяя им изменить поведение.
- Интеллектуальное управление: Разделенные данные могут запускать автоматические действия, например, отключение забытого прибора, идентифицированного как «включенный».
4. Технические детали и математическая формулировка
Упрощенная формулировка задачи NILM, ключевой задачи анализа, может быть выражена следующим образом:
Пусть агрегированный сигнал мощности от интеллектуального счетчика в момент времени $t$ равен $y_t$. Предполагается, что этот сигнал представляет собой сумму потребления мощности $N$ отдельных приборов плюс шум:
$y_t = \sum_{i=1}^{N} x_t^{(i)} + \epsilon_t$
где $x_t^{(i)}$ — потребляемая мощность прибора $i$ в момент времени $t$, а $\epsilon_t$ — шум измерений. Цель NILM — оценить вектор состояния $\mathbf{s}_t = [s_t^{(1)}, s_t^{(2)}, ..., s_t^{(N)}]$, где $s_t^{(i)} \in \{0, 1\}$ (ВЫКЛ/ВКЛ для простого бинарного прибора) или непрерывное значение мощности, имея только наблюдаемую последовательность $\mathbf{y}_{1:T} = [y_1, y_2, ..., y_T]$. Это часто моделируется как факториальная скрытая марковская модель (FHMM).
5. Результаты экспериментов и описание графика
Описание Рисунка 1 (из PDF): График представляет собой столбчатую диаграмму с заголовком «Вклад зданий в общее энергопотребление». На оси X перечислены пять стран: Индия, США, Китай, Корея и Австралия. Ось Y представляет процент от общего энергопотребления. Для каждой страны показан соответствующий процентный столбец, визуально указывающий на то, что здания составляют существенную и варьирующуюся часть (вероятно, от 20% до 40% на основе типичных данных) национального энергопотребления. Этот рисунок подчеркивает глобальную значимость сектора зданий как основного потребителя энергии и огромный потенциальный эффект от повышения эффективности.
Примечание: Предоставленный отрывок PDF не содержит подробных экспериментальных результатов для конкретного алгоритма. Основное внимание уделяется концептуальной структуре.
6. Структура анализа: Пример без кода
Рассмотрим анализ высокого энергопотребления коммерческого офисного здания в выходные дни.
- Оснащение/Интеграция: Собираются потоки данных: общее потребление в кВт от интеллектуального счетчика, статус системы ОВКВ от BMS и данные о проходах по картам от системы безопасности (как показатель занятости).
- Анализ: Проводится простой корреляционный анализ. Он выявляет высокое потребление энергии по субботам, несмотря на почти нулевое количество проходов по картам. Кластеризация (например, методом k-средних) данных о мощности ОВКВ может показать, что один блок AHU постоянно работает с высокой базовой нагрузкой.
- Вовлечение: Управляющему объектом представляется информационная панель с сообщением: «Энергопотребление в выходные составляет 60% от среднего по будням. Основная причина: AHU-3 работает непрерывно.»
- Интеллектуальное управление: В BMS создается автоматическое правило: «Если день — суббота/воскресенье И счетчик занятости системы безопасности равен нулю >2 часов, перевести AHU-3 в режим «не занято».» Система затем выполняет это, и потребление энергии контролируется для проверки.
7. Перспективы применения и направления развития
- Энергоэффективные здания, взаимодействующие с сетью (GEBs): Здания будут не только эффективными, но и активно поддерживать сеть через управление спросом, регулирование частоты и агрегацию виртуальных электростанций, как это предусмотрено Министерством энергетики США.
- Интеграция глубокого обучения: Более широкое внедрение моделей глубокого обучения (CNN для анализа профилей нагрузки, Transformers для прогнозирования последовательностей) для более точного FDD, прогнозирования и NILM, выходя за рамки традиционных HMM.
- Цифровые двойники: Создание высокоточных виртуальных копий зданий, которые моделируют потоки энергии в реальном времени, позволяя тестировать сценарии и прогнозировать обслуживание без нарушения реальной работы.
- Аналитика с сохранением конфиденциальности: Разработка методов федеративного обучения и дифференциальной приватности для получения информации из агрегированных данных зданий без ущерба для конфиденциальности отдельных пользователей или арендаторов.
- Интеграция циркулярной экономики: Использование операционных данных для анализа жизненного цикла материалов и компонентов, способствуя повторному использованию и переработке в соответствии с принципами Фонда Эллен Макартур.
8. Ссылки
- Batra, N., Singh, A., Singh, P., Dutta, H., Sarangan, V., & Srivastava, M. (2014). Data Driven Energy Efficiency in Buildings. arXiv preprint arXiv:1404.7227.
- U.S. Department of Energy. (n.d.). Grid-Interactive Efficient Buildings. Retrieved from energy.gov
- Zhu, J., Park, T., Isola, P., & Efros, A. A. (2017). Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks. Proceedings of the IEEE International Conference on Computer Vision (ICCV). (CycleGAN как пример продвинутых генеративных моделей, применимых к синтезу данных для моделирования зданий).
- Ellen MacArthur Foundation. (n.d.). Circular Economy Introduction. Retrieved from ellenmacarthurfoundation.org
- Zhao, B., Stankovic, L., & Stankovic, V. (2016). On a training-less solution for non-intrusive appliance load monitoring using graph signal processing. IEEE Access, 4, 1784-1799.
9. Взгляд аналитика: Расшифровка 5 I
Ключевая идея: Настоящая ценность статьи не в отдельных технологиях, которые она перечисляет — интеллектуальные счетчики, BMS, машинное обучение — они хорошо известны. Ее блеск заключается в структуре 5 I, которая предоставляет крайне необходимую стратегическую дорожную карту. Она правильно определяет, что проблема энергоэффективности зданий — это задача интеграции систем и ориентации на человека, а не просто головоломка по data science. Большинство неудач происходит не из-за плохих алгоритмов, а из-за неверной стратегии оснащения, изолированных систем или игнорирования поведения пользователей.
Логическая последовательность: Прогрессия структуры логична и итеративна. Невозможно иметь интеллектуальное управление (I5), не имея сначала решений на основе анализа (I3), что невозможно без интегрированных данных (I2) от оптимальных инструментов (I1). Критически важно, что она помещает «Вовлечение пользователей» (I4) прямо в середину, признавая, что одна только автоматизация терпит неудачу, если отчуждает находящихся внутри людей. Это отражает выводы исследований взаимодействия человека и компьютера в устойчивых системах.
Сильные стороны и недостатки: Сильные стороны: Структура является целостной, запоминающейся и ориентированной на действие. Использование NILM в качестве сквозного примера — мощный педагогический инструмент. Она предвосхищает взрывной рост IoT и данных в зданиях. Недостатки: Статья, будучи перспективой 2014 года, по понятным причинам недооценивает сейсмическое влияние современного глубокого обучения (например, моделей Transformer для прогнозирования временных рядов) и вычислительные/кибербезопасные проблемы I2 и I5. Она также лишь поверхностно затрагивает огромные экономические и договорные барьеры для интеграции проприетарных подсистем зданий — препятствие, которое в значительной степени остается нерешенным и сегодня.
Практические выводы:
- Для владельцев/операторов зданий: Используйте 5 I как модель зрелости. Проведите аудит вашего текущего состояния по каждому «I». Большинство застряли на I1 (сбор данных). Расставляйте приоритеты проектам, которые продвигают вас к I2 (интеграция) и I4 (вовлечение пользователей) — они часто имеют более высокую ROI, чем погоня за маргинальными улучшениями в I3 (точность модели).
- Для поставщиков технологий: Прекратите продавать точечные решения. Упаковывайте свои предложения так, чтобы они явно решали одну или несколько задач из 5 I. Поставщик BMS должен говорить о своих открытых API для I2, встроенной аналитике для I3 и приложении для пользователей для I4.
- Для исследователей: Легкодоступные плоды в чистом I3 (разработка алгоритмов) в основном собраны. Следующие прорывы будут на стыках: I2+I3 (сохраняющее приватность распределенное обучение между системами), I3+I4 (объяснимый ИИ для обратной связи с пользователями) и I4+I5 (адаптивное управление с участием человека). Сосредоточьтесь там.