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 za kisasa, Mifumo ya Usimamizi wa Majengo (BMS), na vichunguzi vya mazingira vimeleta mwingi wa data ya nishati ya majengo. Data hii inatoa fursa isiyo na kifani ya kuacha ukaguzi wa jadi, wa nadra wa nishati na bili za kila mwezi na kuelekea kuelewa na uboreshaji endelevu na wa kina wa matumizi ya nishati ya majengo. Changamoto kuu ni kutumia kwa ufanisi data hii katika anuwai nzima kutoka kwa kuhisi hadi kufanya maamuzi na ushiriki wa wakazi.
Mchango wa Nishati ya Majengo (Mchoro 1)
Data kutoka kwa PDF inaonyesha majengo yanachukua sehemu kubwa ya matumizi ya nishati ya kitaifa, mfano, takriban 30-40% katika uchumi ulioendelea kama USA na Australia, ikionyesha uhitaji mkubwa wa hatua za ufanisi.
2. Mfumo wa I 5 wa Ufanisi wa Nishati Unaotegemea Data
Makala yanapendekeza mfumo kamili uliofunikwa na maeneo muhimu matano, yanayoitwa "I 5," ili kutimiza ufanisi wa nishati unaotegemea data katika majengo.
2.1 Weka Vifaa Kwa Ufanisi
Hii inahusisha kuwekewa kwa mikakati ya vichunguzi (mita ya kisasa, sehemu za BMS, vichunguzi vya mazingira) ili kukusanya data ya kina, inayofaa bila kurudia isiyo ya lazima au gharama. Lengo ni kufikia usahihi wa kutosha wa data kwa uchambuzi wa mfululizo huku ukizingatia vikwazo vya kiuchumi.
2.2 Unganisha Mifumo Ndogo
Majengo ya kisasa yana mifumo iliyotengwa (HVAC, taa, usalama). Nguzo hii inasisitiza kuvunja mifumo hii kwa kuwezesha mtiririko wa data na mawasiliano kati ya mifumo ndogo tofauti (mfano, BMS, mita za kisasa, vifaa vya wakazi) ili kuunda mtazamo kamili wa uendeshaji wa majengo.
2.3 Uamuzi Unaotokana na Ufafanuzi
Data ghafi haina maana bila ufahamu. Hii inahusisha kutumia uchambuzi wa data, masomo ya mashine, na miundo ya takwimu kwa data iliyokusanywa na kuunganishwa ili kufafanua mifumo, kugundua kasoro, kutabiri mahitaji, na kugundua fursa za uboreshaji. Hii hubadilisha data kuwa maarifa yanayoweza kutekelezwa.
2.4 Wahusishe Wakazi
Tabia ya wakazi ndio kiendeshi kikuu cha matumizi ya nishati. Eneo hili linalenga kutumia data kutoa maoni kwa wakazi (kupitia dashibodi, tahadhari, michezo) na kuwapa uwezekano wa kushiriki katika programu za kujibu mahitaji, na hivyo kuunda mzunguko wa maoni unaokukuza tabia ya kujali nishati.
2.5 Uendeshaji wa Kisasa
Ukomo wa I nne zilizopita. Inarejelea udhibiti wa kiotomatiki au nusu-otomatiki wa mifumo ya majengo kulingana na ufafanuzi uliotolewa na maoni ya wakazi. Mifano ni pamoja na kuongeza ufanisi wa ratiba za HVAC kwa nguvu, kudhibiti taa kiotomatiki kulingana na uwepo wa watu na mwangaza wa mchana, na kushiriki katika matukio ya kujibu mahitaji ya gridi kiotomatiki.
Ufahamu Muhimu
- Mfumo huu unarudiwa na umeunganishwa; mafanikio katika "I" moja mara nyingi hutegemea maendeleo katika nyingine.
- Hubadilisha mwelekeo kutoka kwa ukusanyaji wa data uliotengwa hadi mfumo wa mzunguko uliofungwa wa kipimo, uchambuzi, na hatua.
- Ushiriki wa wakazi ni muhimu lakini mara nyingi ndio sehemu ngumu zaidi kutekeleza kwa ufanisi.
3. Uchunguzi wa Kesi: Ufuatiliaji wa Mzigo Usioingili (NILM)
Makala yanatumia NILM kama tatizo lililosomwa vizuri linaloshughulikia I 5 zote. NILM inalenga kutenganisha jumla ya matumizi ya umeme ya jengo (kutoka kwa mita moja ya kisasa) kuwa mizigo ya vifaa binafsi.
- Weka Vifaa: Inategemea mita moja ya kisasa, iliyowekwa kwa ufanisi.
- Unganisha: Inaweza kuunganisha na mitiririko mingine ya data (mfano, wakati wa siku, halijoto ya mazingira) ili kuboresha usahihi.
- Fafanua: Kiini cha NILM, kwa kutumia usindikaji wa ishara na algoriti za masomo ya mashine (kama Miundo ya Markov Iliyofichwa) kufafanua hali ya vifaa kutoka kwa data ya jumla.
- Husisha: Hutoa maoni ya kina ya kiwango cha vifaa kwa wakazi, na hivyo kuwapa uwezo wa kubadilisha tabia.
- Uendeshaji wa Kisasa: Data iliyotenganishwa inaweza kusababisha vitendo vya kiotomatiki, kama kuzima kifaa kilichoharibika au kupanga vifaa vyenye mzigo mwingi kwa masaa ya chini ya kilele.
4. Maelezo ya Kiufundi & Uundaji wa Kihisabati
Katika kiini cha ufafanuzi (I3) na matatizo kama NILM kuna miundo ya hisabati. Uundaji wa kawaida wa utenganishaji wa mzigo huchukulia ishara ya nguvu ya jumla $P_{total}(t)$ kama jumla ya mvuto wa nguvu wa vifaa binafsi pamoja na kelele:
$P_{total}(t) = \sum_{i=1}^{N} s_i(t) \cdot P_i(t) + \epsilon(t)$
Ambapo:
- $N$ ni idadi ya vifaa.
- $s_i(t)$ ni hali (WASHI/OFF au hali nyingi) ya kifaa $i$ kwa wakati $t$.
- $P_i(t)$ ni matumizi ya nguvu ya kifaa $i$ wakati iko katika hali inayoonyeshwa na $s_i(t)$.
- $\epsilon(t)$ ni kelele au mzigo usio na muundo.
5. Matokeo ya Majaribio & Maelezo ya Chati
PDF inajumuisha Mchoro 1, chati ya baa yenye kichwa "Mchango wa majengo kwa matumizi ya jumla ya nishati." Inalinganisha asilimia ya jumla ya matumizi ya nishati ya kitaifa yanayohusishwa na majengo katika nchi tano: India, USA, China, Korea, na Australia. Chati inasisitiza dhana ya msingi ya makala, ikionyesha kwamba majengo yanachukua sehemu kubwa na tofauti (labda kutoka ~20% hadi zaidi ya 40%) ya matumizi ya nishati, na hivyo kuweka uwezekano mkubwa wa faida za ufanisi katika sekta hii. Ingawa matokeo maalum ya nambari kwa NILM au matumizi mengine hayajaelezewa kwa kina katika dondoo lililotolewa, mfumo unadokeza kwamba utumiaji wa mafanikio wa I 5 ungeleta matokeo yanayoweza kupimika kama vile:
- Kupungua kwa matumizi ya jumla ya nishati ya jengo (kWh).
- Kuboresha usahihi wa kugundua kasoro (mfano, kugundua mapema ufanisi duni wa HVAC).
- Kuongezeka kwa viashiria vya ushiriki wa wakazi (mfano, matumizi ya dashibodi, ushiriki katika programu za kuokoa).
- Kuokoa gharama kutokana na uendeshaji ulioboreshwa na ushiriki wa kujibu mahitaji.
6. Mfumo wa Uchambuzi: Mfano Usio na Msimbo
Fikiria jengo la ofisi la kibiashara linalolenga kupunguza mzigo wake wa kupoeza. Uchambuzi unaofuata mfumo wa I 5 ungeendelea kama ifuatavyo:
- Weka Vifaa: Weka thermostat za kisasa katika kila eneo, mita za nguvu kwenye vitengo vya HVAC, na vichunguzi vya halijoto/unyevu/uwepo wa watu.
- Unganisha: Elekeza data kutoka kwa vichunguzi vyote hadi kwenye jukwaa la data kuu, ukilinganisha data ya uwepo wa watu na halijoto za eneo la HVAC na mvuto wa nguvu.
- Fafanua: Tumia uchambuzi kutambua mifumo: mfano, "Eneo A linaendelea kupozwa hadi 22°C hata wakati uwepo wa watu ni chini ya 10% baada ya saa 7 jioni," au "Ufanisi wa chiller hupungua kwa 15% wakati halijoto ya nje inazidi 35°C."
- Husisha: Tuma ripoti za kila wiki kwa wasimamizi wa mali zikionyesha masaa ya kupoeza yaliyopotea. Tekeleza sera inayowapa wakazi nafasi ya kupiga kura juu ya marekebisho kidogo ya kiwango cha halijoto wakati wa kilele cha kiangazi, na kukiunganisha na mchango wa hisani kwa nishati iliyookolewa.
- Uendeshaji wa Kisasa: Fanya ratiba ya HVAC iwe ya kiotomatiki kuchukua halijoto ya "kupunguza" katika maeneo yenye uwepo wa watu mdogo baada ya masaa. Unganisha na ishara ya kujibu mahitaji kutoka kwa huduma ya umeme ili kupozesha jengo kwa muda kabla ya tukio la kilele.
7. Matumizi ya Baadaye & Mwelekeo wa Utafiti
Mageuzi ya mfumo wa I 5 yanaelekeza kuelekea mwelekeo kadhaa wa baadaye:
- Udhibiti Unaotabiri Unaotumia AI: Kuhamia kutoka kwa miundo ya kujifunza kina ya kina ambayo inaweza kujifunza na kuongeza ufanisi wa uendeshaji wa majengo kwa wakati halisi, sawa na jinsi AlphaGo ilivyojua Go.
- Majengo Yenye Ufanisi Yanayoshirikiana na Gridi (GEB): Kuzamisha nguzo ya "Uendeshaji wa Kisasa" ili kufanya majengo kuwa washiriki wenye nguvu na wenye nguvu katika gridi ya kisasa, wakitoa huduma za gridi kama udhibiti wa mzunguko.
- Uchambuzi Unaolinda Faragha: Kukuza ujifunzaji wa shirikishi au mbinu za hali ya juu za kutotaja majina ili kuwezesha ufafanuzi na ushirikiano (I2, I3) bila kukiuka faragha ya wakazi, wasiwasi mkubwa na data ya kina.
- Mapacha Dijitali: Kuunda miundo ya hali ya juu ya kiwanda cha majengo ambayo inasasishwa kila mara na data ya kichunguzi (I1, I2), na kuwezesha uigaji, upangaji wa hali, na matengenezo ya makini (I3, I5).
- AI yenye Mtu Katika Mzunguko: Kuboresha "Wahusishe Wakazi" (I4) kwa miundo ya tabia ya kisasa zaidi na interfaces zinazobadilika ambazo zinabinafsisha maoni na motisha, na hivyo kuongeza ufanisi.
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.
- Wizara ya Nishati ya Marekani. (2023). Grid-Interactive Efficient Buildings. Imepatikana kutoka https://www.energy.gov/eere/buildings/grid-interactive-efficient-buildings
- 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). (Kumbukumbu ya CycleGAN kwa mfano wa AI ya kuzalisha).
- Shirika la Kimataifa la Nishati (IEA). (2022). Majengo. Imepatikana kutoka https://www.iea.org/topics/buildings
- Kolter, J. Z., & Johnson, M. J. (2011). REDD: A Public Data Set for Energy Disaggregation Research. Proceedings of the SustKDD Workshop.
9. Uchambuzi wa Asili & Ukaguzi Muhimu
Ufahamu wa Msingi: Mfumo wa "I 5" wa Batra na wenzake sio tu tasnifu; ni muundo wa ukomavu wa mabadiliko ya kidijitali ya sekta ya nishati ya majengo. Makala yanatambua kwa usahihi kwamba kikwazo halisi sio tena ukusanyaji wa data (I1), lakini muunganisho wa kimfumo na utumiaji wa kisasa wa data hiyo (I2-I5). Hii inafanana na mageuzi yaliyoonwa katika nyanja zingine zenye data nyingi, kama vile maono ya kompyuta, ambapo uundaji wa seti kubwa za data zilizosanifishwa kama ImageNet au MNIST (zilizotajwa kwenye PDF) ulikuwa kichocheo cha mapinduzi ya AI. Sekta ya majengo sasa inakusanya "ImageNet" yake kupitia mita za kisasa na BMS, lakini algoriti na miundo ya biashara ya kuitumia bado iko katika utoto wake.
Mtiririko wa Kimantiki & Nguvu: Nguvu ya mfumo iko katika mantiki yake kamili ya mzunguko uliofungwa. Inapanga kwa usahihi safari kutoka kwa uwekaji vifaa wa kimwili hadi hatua ya kiotomatiki, ikisisitiza kwamba data bila ufafanuzi ni kelele, na ufahamu bila hatua ni wa kitaaluma. Ujumuishaji wa "Wahusishe Wakazi" (I4) ni wa kutabiri hasa, ukikiri kwamba mfumo wa udhibiti wa AI wa hali ya juu zaidi unaweza kuharibiwa na tabia ya binadamu—somo ambalo mara nyingi hujifunza kwa shida katika utekelezaji wa ulimwengu halisi. Kutumia NILM kama uchunguzi wa kesi unaovuka ni chaguo bora la kufundisha, na kufanya mfumo wa kiwango kuwa wa kugusika.
Kasoro na Mapungufu: Kasoro kuu, ya kawaida kwa makala ya mfumo wa enzi yake (2014), ni kudharau kwa changamoto kubwa katika "Unganisha" (I2). Makala yanataja mifumo iliyotengwa lakini hayashughulikii kikamilifu miundombinu ya urithi, itifaki za umiliki (BACnet, Modbus), na hatari za usalama wa mtandao zinazofanya muunganisho wa data kuwa gharama kubwa na ndoto ngumu ya uhandisi, sio tu hatua ya dhana. Zaidi ya hayo, ingawa inakubali faragha, athari kubwa za faragha za data ya kina ya tabia inayohitajika kwa I3 na I4 hazijachunguzwa kwa kina. Mfumo pia unategemea sana mtazamo wa kiteknolojia wenye matumaini; unadharau vikwazo vya kikundi na vya kifedha vya kupitishwa, haswa katika soko la mali isiyounganishwa.
Ufahamu Unaoweza Kutekelezwa & Mtazamo wa Baadaye: Kwa watendaji, ufahamu unaoweza kutekelezwa ni kuacha kufuata "I" kwa kutengwa. Kuweka vichunguzi 10,000 (I1) bila mpango wa I3 na I5 ni upotevu. Anza na kesi wazi ya matumizi (mfano, kupunguza kilele, kugundua kasoro) na ufanye kazi nyuma kupitia mfumo. Baadaye iko katika kuhamia kutoka kwa uchambuzi wa kuelezea/kupendekeza hadi mifumo ya kuzalisha na kujitegemea. Fikiria "CycleGAN kwa majengo": mfumo ambao sio tu hugundua ufanisi duni lakini pia huzalisha na kuiga mikakati mingi ya udhibiti iliyoboreshwa (kama GANs inavyozalisha picha) kabla ya kuweka ile bora. Muunganisho na nishati ya kurejeshwa ya kiwango kikubwa na mifumo ya gari-kwa-gridi (V2G) utakuwa mpaka ujao, ukibadilisha majengo kutoka kwa watumiaji wasio na nguvu hadi nodi zenye nguvu katika mtandao wa nishati wenye nguvu, usio na kaboni. I 5 hutoa mpango wa msingi, lakini muongo ujao utakuwa juu ya kujenga "akili" za AI na "mfumo wa neva" unaoweza kushirikiana ili kuifanya iwe ukweli.