Yaliyomo
1. Utangulizi
Majengo yanachangia kwa kiasi kikubwa katika matumizi ya nishati duniani, kama inavyoonyeshwa kwenye Mchoro 1 unaoonyesha sehemu yao kubwa katika nchi kama India, USA, China, Korea, na Australia. Msukumo wa uendelevu na kuenea kwa mita zenye akili, Mifumo ya Usimamizi wa Majengo (BMS), na vihisi vya mazingira vimeleta mwingi wa data ya nishati ya majengo. Data hii inatoa fursa isiyo na kifani ya kuondoka kwenye ukaguzi wa jadi, wa nadra wa nishati na bili za kila mwezi na kuelewa utendaji wa jengo kwa mwendelezo, kwa kutumia data. Changamoto kuu na fursa iko katika kutumia data hii kwa ufanisi ili kuimarisha ufanisi wa nishati.
Takwimu Muhimu
Majengo yanachangia kati ya 20% hadi 40% ya jumla ya matumizi ya nishati katika uchumi mkuu kama USA, China, na India.
2. Mfumo wa I 5 wa Ufanisi wa Nishati Unaotokana na Data
Makala yanapendekeza mfumo kamili uliofupishwa kama "I 5" ili kutekeleza ufanisi wa nishati unaotokana na data katika majengo. Mfumo huu unaunda safari kutoka kwa ukusanyaji wa data ghafi hadi ujuzi unaoweza kutekelezwa.
2.1 Weka Vifaa Kwa Ufanisi
Hii inahusisha kuwekewa kwa mikakati ya miundombinu ya kuhisi. Sio tu kuhusu kukusanya data zaidi, bali data sahihi kwa kiwango sahihi cha undani na mzunguko. Hii inajumuisha mita zenye akili (zinazotoa data ya jumla ya matumizi kwa vipindi kama dakika 15), kupima ndani kwa mifumo maalum (HVAC, taa), na vihisi vya mazingira (joto, uwepo wa watu, viwango vya mwanga). Lengo ni kuunda mtandao wa vihisi wenye gharama nafuu ambao hutoa usahihi wa kutosha kwa uchambuzi bila utata usio na maana.
2.2 Unganisha Mifumo Ndogo
Majengo ya kisasa yana mifumo iliyotengwa: HVAC, taa, usalama, na mizigo ya kuziba mara nyingi hufanya kazi kwa kujitegemea. Nguzo hii inasisitiza kuunganisha mifumo hii ili kushiriki data na kuwezesha udhibiti uliounganishwa. Kwa mfano, data ya uwepo wa watu kutoka kwa vihisi vya usalama inaweza kuongoza ratiba za HVAC na taa, na kusababisha akiba kubwa. Viwango vya ushirikiano na programu za kati ndio changamoto kuu za kiufundi hapa.
2.3 Uamuzi Unaotokana na Ufafanuzi
Hii ndiyo kiini cha uchambuzi. Inahusisha kutumia ujifunzaji wa mashine na miundo ya takwimu kwa data iliyokusanywa na iliyounganishwa ili kutoa ufahamu. Matumizi yanajumuisha:
- Ugunduzi na Uchunguzi wa Kasoro (FDD): Kutambua vifaa visivyofanya kazi vizuri (k.m., damper iliyokwama, chiller yenye kasoro) kwa kulinganisha muundo wa utendaji unaotarajiwa dhidi ya halisi.
- Utabiri wa Mizigo: Kutabiri mahitaji ya nishati ya muda mfupi na muda mrefu ili kuboresha mwingiliano na gridi na uzalishaji ndani ya tovuti.
- Utambuzi wa Muundo: Kuelewa wasifu wa kawaida wa matumizi ili kutambua ukiukaji au kutofanya kazi kwa ufanisi.
2.4 Wahusishe Wakazi
Tabia ya wakazi ni sababu muhimu, isiyotabirika mara nyingi, katika matumizi ya nishati ya jengo. Nguzo hii inalenga kuwahamisha wakazi kutoka kwa watumiaji waliopitishwa hadi kwa washiriki wanaoshiriki kikamilifu. Mikakati inajumuisha kutoa maoni ya nishati ya kibinafsi kupitia dashibodi, kutekeleza michezo ya kuhamasisha tabia za kuokoa nishati, na kubuni mifumo inayobadilika inayojifunza na kukabiliana na mapendeleo ya wakazi huku ikiwasukuma kuelekea ufanisi.
2.5 Uendeshaji Mwenye Akili
Hii ndiyo kilele, ambapo ufahamu kutoka kwa ufafanuzi na maoni ya wakazi hubadilishwa kuwa vitendo vya udhibiti vilivyootomatiki au nusu-otomatiki. Inahusisha mifumo iliyofungwa ambayo hubadilisha kwa nguvu uendeshaji wa jengo—kama viwango vya kuweka vya HVAC, viwango vya mwanga, na nafasi za mapazia—kwa wakati halisi kulingana na hali ya sasa, utabiri, na uwepo wa watu ili kupunguza matumizi ya nishati huku ukidumisha starehe.
3. Uchunguzi wa Kesi: Ufuatiliaji wa Mzigo Usioingilii (NILM)
Makala yanatumia NILM kama tatizo lililosomwa vizuri linaloshughulikia I 5 zote. NILM inalenga kugawanya jumla ya matumizi ya umeme ya jengo (kutoka kwa mita moja yenye akili) katika michango ya vifaa binafsi.
- Uwekaji Vifaa: Inategemea mita moja yenye akili, iliyowekwa kwa ufanisi.
- Muunganisho: Matokeo yake (data ya kiwango cha vifaa) yanaweza kuingizwa kwenye mifumo mingine (k.m., moduli ya FDD ya afya ya vifaa).
- Ufafanuzi: Kiini cha NILM kinahusisha usindikaji wa ishara wa hali ya juu na algoriti za ujifunzaji wa mashine (k.m., Miundo ya Markov Iliyofichwa, ujifunzaji wa kina) ili kutambua saini za vifaa.
- Ushiriki: Hutoa wakazi maelezo ya kina ya matumizi yao ya nishati, na kuwapa uwezo wa kubadilisha tabia.
- Uendeshaji Mwenye Akili: Data iliyogawanywa inaweza kusababisha vitendo vilivyootomatiki, kama kuzima kifaa kilichosahaulika kilichotambuliwa kama "imewashwa."
4. Maelezo ya Kiufundi na Uundaji wa Kihisabati
Uundaji rahisi wa tatizo la NILM, kazi muhimu ya ufafanuzi, unaweza kuonyeshwa kama ifuatavyo:
Acha ishara ya nguvu ya jumla kutoka kwa mita yenye akili kwa wakati $t$ iwe $y_t$. Ishara hii inachukuliwa kuwa jumla ya matumizi ya nguvu ya vifaa $N$ binafsi pamoja na kelele:
$y_t = \sum_{i=1}^{N} x_t^{(i)} + \epsilon_t$
ambapo $x_t^{(i)}$ ni mvutano wa nguvu wa kifaa $i$ kwa wakati $t$, na $\epsilon_t$ ni kelele ya kipimo. Lengo la NILM ni kukadiria vekta ya hali $\mathbf{s}_t = [s_t^{(1)}, s_t^{(2)}, ..., s_t^{(N)}]$, ambapo $s_t^{(i)} \in \{0, 1\}$ (IMEZIMWA/IMEWASHWA kwa kifaa rahisi cha binary), au thamani ya nguvu ya mwendelezo, ikitolewa tu mlolongo uliozingatiwa $\mathbf{y}_{1:T} = [y_1, y_2, ..., y_T]$. Hii mara nyingi huigwa kama Mfano wa Markov Iliyofichwa ya Factorial (FHMM).
5. Matokeo ya Majaribio na Maelezo ya Chati
Maelezo ya Mchoro 1 (Yaliyotajwa kutoka PDF): Chati ni grafu ya baa yenye kichwa "Mchango wa majengo kwa matumizi ya jumla ya nishati." Mhimili wa x unaoratibu nchi tano: India, USA, China, Korea, na Australia. Mhimili wa y unaowakilisha asilimia ya jumla ya matumizi ya nishati. Kila nchi ina baa inayoonyesha asilimia yake husika, ikionyesha kwa macho kwamba majengo yanachukua sehemu kubwa na tofauti (kwa uwezekano kati ya 20% na 40% kulingana na data ya kawaida) ya matumizi ya nishati ya kitaifa. Takwimu hii inasisitiza umuhimu wa kimataifa wa sekta ya majengo kama mtumiaji mkuu wa nishati na athari kubwa inayowezekana ya uboreshaji wa ufanisi.
Kumbuka: Sehemu iliyotolewa ya PDF haina matokeo ya kina ya majaribio kwa algoriti maalum. Lengo liko kwenye mfumo wa dhana.
6. Mfumo wa Uchambuzi: Mfano Usio na Msimbo
Fikiria kuchambua matumizi makubwa ya nishati ya jengo la ofisi la kibiashara mwishoni mwa wiki.
- Weka Vifaa/Unganisha: Mienendo ya data inakusanywa: kW ya jengo zima kutoka kwa mita yenye akili, hali ya mfumo wa HVAC kutoka BMS, na data ya kupiga kadi kutoka kwa mfumo wa usalama (kama wakilishi wa uwepo wa watu).
- Fafanua: Uchambuzi rahisi wa uhusiano unafanywa. Unaonyesha matumizi makubwa ya nishati Jumamosi licha ya kupiga kadi karibu sifuri. Algorithm ya kukusanya (kama k-means) kwenye data ya nguvu ya HVAC inaweza kuonyesha kitengo kimoja cha AHU kinachofanya kazi kwa mzigo wa msingi wa juu kila wakati.
- Husisha: Msimamizi wa kituo hupewa dashibodi inayoonyesha: "Nishati ya mwisho wa wiki ni 60% ya wastani wa siku za kazi. Kichocheo kikuu: AHU-3 inaendeshwa kila wakati."
- Uendeshaji Mwenye Akili: Sheria iliyootomatiki imeundwa kwenye BMS: "Ikiwa siku ni Jumamosi/Jumapili NA hesabu ya uwepo wa watu wa mfumo wa usalama ni sifuri kwa > masaa 2, weka AHU-3 kwenye hali isiyo na watu." Mfumo kisha hutekeleza hili, na matumizi ya nishati yanafuatiliwa kwa uthibitisho.
7. Mtazamo wa Matumizi na Mwelekeo wa Baadaye
- Majengo Yenye Ufanisi Yanayoshirikiana na Gridi (GEBs): Majengo hayatafanya kazi kwa ufanisi tu bali pia yatasaidia gridi kikamilifu kupitia majibu ya mahitaji, udhibiti wa mzunguko, na mkusanyiko wa mitambo ya umeme ya kuwaziwa, kama inavyotarajiwa na Idara ya Nishati ya Marekani.
- Ujumuishaji wa Ujifunzaji wa Kina: Kupitishwa kwa upana zaidi kwa miundo ya ujifunzaji wa kina (CNNs kwa uchambuzi wa umbo la mzigo, Transformers kwa utabiri wa mlolongo) kwa FDD sahihi zaidi, utabiri, na NILM, kuondoka kwenye HMM za jadi.
- Mapacha Dijitali: Uundaji wa nakala za kuwaziwa za hali ya juu za majengo zinazofananisha mtiririko wa nishati kwa wakati halisi, na kuruhusu majaribio ya hali na matengenezo ya kutabiri bila kuvuruga uendeshaji halisi.
- Uchambuzi Unaolinda Faragha: Uundaji wa mbinu za ujifunzaji wa shirikisho na faragha tofauti ili kupata ufahamu kutoka kwa data ya majengo iliyokusanywa bila kukiuka faragha ya mtu binafsi au mpangaji.
- Ujumuishaji wa Uchumi wa Mzunguko: Kutumia data ya uendeshaji kutoa taarifa kuhusu uchambuzi wa mzunguko wa maisha ya nyenzo na vipengele, na kuwezesha matumizi tena na kuchakata tena kulingana na mifumo ya Ellen MacArthur Foundation.
8. Marejeo
- 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. Imepatikana kutoka 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 kama mfano wa miundo ya hali ya juu ya kuzalisha inayohusiana na uzalishaji wa data ya sintetiki kwa ajili ya uigaji wa majengo).
- Ellen MacArthur Foundation. (n.d.). Circular Economy Introduction. Imepatikana kutoka 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. Mtazamo wa Mchambuzi: I 5 Zimefafanuliwa
Ufahamu Mkuu: Thamani halisi ya makala sio katika teknolojia binafsi anazoorodhesha—mita yenye akili, BMS, ML—ambazo zinajulikana vizuri. Uzuri wake uko katika mfumo wa I 5, ambao hutoa ramani ya mkakati inayohitajika sana. Inatambua kwa usahihi kwamba tatizo la ufanisi wa jengo ni changamoto ya muunganisho wa mifumo na inayolenga binadamu, sio tu fumbo la sayansi ya data. Kushindwa mara nyingi hutokea sio kwa sababu ya algoriti mbaya, bali kwa sababu ya mkakati duni wa uwekaji vifaa, mifumo iliyotengwa, au tabia ya wakazi iliyopuuzwa.
Mtiririko wa Mantiki: Maendeleo ya mfumo yana mantiki na yanarudiwa. Huwezi kuwa na uendeshaji mwenye akili (I5) bila kwanza kufanya maamuzi yaliyofafanuliwa (I3), ambayo haiwezekani bila data iliyounganishwa (I2) kutoka kwa vifaa vilivyowekwa kwa ufanisi (I1). Muhimu zaidi, inaingiza "Wahusishe Wakazi" (I4) katikati kabisa, ikikiri kwamba otomatiki pekee inashindwa ikiwa inawakatisha watu ndani. Hii inafanana na matokeo kutoka kwa utafiti wa mwingiliano wa binadamu na kompyuta katika mifumo endelevu.
Nguvu na Kasoro: Nguvu: Mfumo huu ni kamili, unaokumbukwa, na unaolenga vitendo. Kutumia NILM kama uchunguzi wa kesi unaovuka ni zana yenye nguvu ya kufundisha. Inatarajia IoT na mlipuko wa data katika majengo. Kasoro: Makala, kwa kuwa ni mtazamo wa 2014, kwa kueleweka hayatoi uzito wa kutosha kwa athari kubwa ya ujifunzaji wa kina wa kisasa (k.m., miundo ya Transformer kwa utabiri wa mfululizo wa wakati) na changamoto za kihesabu/usalama wa kibernetiki za I2 na I5. Pia inapita juu ya vikwazo vikubwa vya kiuchumi na vya mikataba vya kuunganisha mifumo ndogo ya jengo ya umiliki, kikwazo ambacho bado hakijatatuliwa kwa kiasi kikubwa leo.
Ufahamu Unaoweza Kutekelezwa:
- Kwa Wamiliki/Waendeshaji wa Majengo: Tumia I 5 kama mfano wa ukomavu. Fanya ukaguzi wa hali yako ya sasa dhidi ya kila "I." Wengi wamekwama kwenye I1 (kukusanya data). Kipaumbele miradi inayokufikisha kwenye I2 (muunganisho) na I4 (ushiriki wa wakazi)—hizi mara nyingi zina ROI ya juu kuliko kukimbia faida ndogo katika I3 (usahihi wa mfano).
- Kwa Wauzaji wa Teknolojia: Acha kuuza suluhisho za pointi. Pakua ofa zako ili kushughulikia wazi moja au zaidi ya I 5. Muuzaji wa BMS anapaswa kuzungumza juu ya API zake wazi kwa I2, uchambuzi wake uliowekwa ndani kwa I3, na programu yake ya wakazi kwa I4.
- Kwa Watafiti: Matunda yanayopatikana kwa urahisi katika I3 safi (ukuaji wa algoriti) kwa kiasi kikubwa yamechukuliwa. Mafanikio yanayofuata yatakuwa kwenye makutano: I2+I3 (ujifunzaji wa kusambaa unaolinda faragha kwenye mifumo), I3+I4 (AI inayoweza kuelezewa kwa maoni ya wakazi), na I4+I5 (udhibiti unaobadilika wenye mtu kwenye kitanzi). Kulenga hapo.