Умные термостаты изменили способ обогрева и охлаждения домов многими людьми, используя машинное обучение, чтобы реагировать на структуру и предпочтения людей, что приводит к снижению энергопотребления. Эта технология, которая может собирать и синтезировать данные, обычно ориентирована на использование в одиночных жилых домах, но что, если этот тип искусственного интеллекта сможет динамически управлять отоплением и охлаждением всего кампуса? Именно эта идея лежит в основе межведомственных усилий, направленных на сокращение энергопотребления в кампусе с помощью средств управления зданием с использованием искусственного интеллекта, которые в режиме реального времени реагируют на внутренние и внешние факторы.
Понимание проблемы
Отопление и охлаждение могут стать энергетической проблемой для таких кампусов, как Массачусетский технологический институт, где существующие системы управления зданием (BMS) не могут быстро реагировать на внутренние факторы, такие как колебания занятости, или внешние факторы, такие как прогноз погоды или интенсивность выбросов углекислого газа в энергосистему. Это приводит к использованию большего количества энергии, чем необходимо для обогрева и охлаждения помещений, часто до неоптимального уровня. Привлекая искусственный интеллект, исследователи начали создавать систему для понимания и прогнозирования оптимальных заданных значений температуры (температуры, которую должен поддерживать термостат) на уровне отдельной комнаты, а также принимать во внимание множество факторов, позволяя существующим системам для более эффективного нагрева и охлаждения без ручного вмешательства.
«Это не сильно отличается от того, что люди делают в домах», — объясняет Лес Норфорд, профессор архитектуры Массачусетского технологического института, чья работа в области энергетических исследований, контроля и вентиляции связала его с этими усилиями. «За исключением того, что нам нужно думать о таких вещах, как продолжительность использования классной комнаты в день, прогнозы погоды, время, необходимое для обогрева и охлаждения комнаты, эффект солнечного тепла, проникающего в окно, и то, как классная комната будет дальше дверь может повлиять на все это». Эти факторы лежат в основе исследований и пилотных проектов, на которых сосредоточены усилия Норфорда и его команды. В эту команду входят Джереми Грегори, исполнительный директор Консорциума MIT по климату и устойчивому развитию; Аудун Боттеруд, главный научный сотрудник Лаборатории систем информации и принятия решений; Стив Лану, руководитель проекта Управления устойчивого развития Массачусетского технологического института (MITOS); Фрэн Сельваджио, старший инженер по системам управления зданием Департамента эксплуатации зданий; и Дейзи Грин и Ю Лин, оба постдока.
Группа организована вокруг призыва к действию «изучить возможности использования искусственного интеллекта для снижения энергопотребления на территории кампуса», изложенного в документе «Быстро вперед: план действий MIT по борьбе с изменением климата на десятилетие», но усилия продолжаются еще в 2019 году. Чтобы декарбонизировать наш кампус, мы изучаем все возможности», — говорит вице-президент по кампусным услугам и управлению Джо Хиггинс, который первоначально предложил эту идею студентам на конференции MIT Energy Hack в 2019 году. «Для меня это была прекрасная возможность использовать опыт MIT и посмотреть, как мы можем применить его в нашем кампусе и поделиться своими знаниями со строительной отраслью». Исследование этой концепции началось на мероприятии и продолжилось студентами и аспирантами, изучавшими дифференциальные уравнения и руководившими пилотными проектами для проверки границ идеи. Вскоре к проекту присоединился Грегори, который также является научным сотрудником факультета MITOS и помог найти других людей, которые могли бы присоединиться к команде. «Моя роль как научного сотрудника состоит в том, чтобы найти возможности связать исследовательское сообщество Массачусетского технологического института с проблемами, с которыми сталкивается сам Массачусетский технологический институт, и это идеально подходило для этой цели», — говорит Грегори.
Первые пилотные проекты проекта были сосредоточены на тестировании уставок термостата в NW23, где находится Департамент материально-технического обеспечения и Управление планирования кампуса, но Норфорд быстро понял, что классные комнаты предоставляют гораздо больше переменных для тестирования, и пилотный проект был расширен до здания 66, смешанного здания. -использовать здание, в котором расположены классы, офисы и лабораторные помещения. «Мы переключили наше внимание на учебные классы отчасти из-за их сложности, но также и из-за их масштаба — в кампусе их сотни, поэтому [they offer] больше возможностей для сбора данных и определения параметров того, что мы тестируем», — говорит Норфорд.
Разработка технологии
Работа по разработке более интеллектуальных систем управления зданием начинается с физической модели с использованием дифференциальных уравнений, чтобы понять, как объекты могут нагреваться или охлаждаться, хранить тепло и как тепло может течь по фасаду здания. Внешние данные, такие как погода, интенсивность выбросов углекислого газа в электросети и расписание занятий в классе, также являются входными данными, при этом ИИ реагирует на эти условия, чтобы каждый час обеспечивать оптимальную уставку термостата, которая обеспечивает наилучший компромисс между двумя целями теплового режима. комфорт жильцов и энергопотребление. Затем эта заданная точка сообщает существующей BMS, насколько необходимо нагреть или охладить помещение. Далее следует тестирование в реальных условиях, в ходе которого жильцы здания опрашиваются об их комфорте. Боттеруд, чьи исследования сосредоточены на взаимодействии инженерии, экономики и политики на рынках электроэнергии, работает над тем, чтобы алгоритмы ИИ могли затем преобразовать эти знания в экономию энергии и выбросов углекислого газа.
В настоящее время пилотные проекты сосредоточены на шести классах в здании 66 с намерением переместиться в лабораторные помещения, а затем распространиться на все здание. «Целью здесь является экономия энергии, но мы не сможем полностью оценить это, пока не закончим строительство всего здания», — объясняет Норфорд. «Нам приходится работать класс за классом, чтобы собрать данные, но мы рассматриваем гораздо более широкую картину». Исследовательская группа использовала моделирование на основе данных, чтобы оценить значительную экономию энергии при сохранении теплового комфорта в шести классах в течение двух дней, но необходима дальнейшая работа для внедрения контроля и измерения экономии в течение всего года.
Учитывая значительную экономию, оцененную для отдельных классов, экономия энергии, получаемая от всего здания, может быть существенной, и ИИ может помочь достичь этой цели, объясняет Боттеруд: «Вся эта концепция масштабируемости действительно лежит в основе того, что мы делаем. Мы проводим много времени в здании 66, чтобы понять, как оно работает, и надеемся, что эти алгоритмы можно будет масштабировать с гораздо меньшими усилиями на другие помещения и здания, чтобы решения, которые мы разрабатываем, могли оказать большое влияние на MIT», — он говорит.
Частично это большое влияние связано с оперативным персоналом, таким как Сельваджио, который играет важную роль в объединении исследований с текущими операциями и их применении на практике на территории кампуса. «Большая часть работы команды BMS выполняется на пилотной стадии такого проекта», — говорит он. «Мы смогли запустить эти системы искусственного интеллекта с нашей существующей BMS в течение нескольких недель, что позволило пилотам быстро оторваться от земли». По словам Сельваджио, готовясь к завершению пилотных проектов, команда BMS определила еще 50 зданий на территории кампуса, где в будущем можно будет легко установить эту технологию, чтобы начать экономию энергии. Команда BMS также сотрудничает с компанией по автоматизации зданий Schneider Electric, которая внедрила новые алгоритмы управления в классах корпуса 66 и готова к расширению на новые пилотные объекты.
Расширение воздействия
Успешное завершение этих программ также откроет возможность еще большей экономии энергии, приближая MIT к своим целям по декарбонизации. «Помимо простой экономии энергии, мы можем в конечном итоге превратить здания нашего кампуса в виртуальную энергетическую сеть, где тысячи термостатов объединяются и координируются, чтобы функционировать как единый виртуальный объект», — объясняет Хиггинс. Эти типы энергетических сетей могут ускорить декарбонизацию энергетического сектора за счет снижения потребности в углеродоемких электростанциях в часы пик и обеспечения более эффективного использования энергии энергосистемы.
По мере продолжения пилотных проектов они выполняют еще один призыв к действию в Fast Forward — сделать кампус «испытательным полигоном для перемен». Говорит Грегори: «Этот проект является отличным примером использования нашего кампуса в качестве испытательного полигона — он позволяет использовать передовые исследования, которые можно применить к декарбонизации нашего собственного кампуса. Это отличный проект не только по своей направленности, но и потому, что он может служить моделью использования кампуса в качестве живой лаборатории».