“Kunstmatige intelligentie” is overal in marketingmateriaal en handelsbeurzen gerelateerd aan slimme gebouwen. Het is waar, Ai speelt een sleutelrol in energiebeheer, met name in HVAC-beheer, aangezien verwarming, koeling en ventilatie een van de grootste energieverbruikers in de meeste gebouwen zijn, die maar liefst 50-60% van het totale energieverbruik vertegenwoordigen.
Dit artikel is beter dan alleen woorden en laat u de tastbare voordelen zien van onze geavanceerde algoritmen voor machine learning op het HVAC-energieverbruik van een gebouw.
Allereerst zullen we onze technologie vergelijken met een bouwmodel waarvan de HVAC wordt beheerd door typische HVAC-regels. We noemen deze manier van beheer van het HVAC-systeem via regels ‘de basislijn’.
Hetzelfde bouwmodel zal worden gebruikt om te vergelijken:
1) Conventionele HVAC-regels
Vs.
2) Kunstmatige intelligentie
Het gebouw waarop we onze simulaties hebben uitgevoerd, staat bekend als een ‘middelgroot kantoor’. De DOE identificeerde zijn kenmerken, met als doel een type gebouw te hebben dat representatief is voor de meeste commerciële gebouwen.
Dit zijn de belangrijkste kenmerken van het gebouw dat we hebben geoptimaliseerd:
- 53.600 ft² (4979m²)
- 3 verdiepingen
- 33% raamfractie
- Type gebouw: kantoor
- Energietypes: gas en elektriciteit
Gewenst resultaat: thermisch comfort tegen de beste prijs
Mechanische ingenieurs ontwerpen het HVAC-systeem, met als doel het conform te maken met de bouwcode (zoals in het bijzonder ASHRAE 55 en 62.1).
Kort gezegd betekent ASHRAE-compliance dat het binnenmilieu van het gebouw comfort moet bieden aan de bewoners (comfort wordt vertegenwoordigd door PMV, zie opmerking hieronder) en het aantal voorspelde klachten beperken.
Na het bepalen van de HVAC-systeem op basis van te verwachten belasting, komt de tijd om de HVAC-apparatuur te beheren. In gebouwen die zijn uitgerust met een GBS (gebouwbeheersysteem), zullen GBS-contractanten de regels implementeren die bepalen hoe HVAC-apparatuur moet reageren op variabelen, zoals binnentemperatuur of buitenomstandigheden.
Dit is wat we de “conventionele benadering” of “rule-based aanpak” noemen en vertegenwoordigt onze baseline.
Kunstmatige intelligentie wordt interessant als het beter presteert dan de conventionele benadering door het verstrekken van vergelijkbare of beter comfort met minder energie.
Opmerking : we nemen hier aan dat de conventionele aanpak erin slaagt om thermisch comfort binnenshuis te bieden, wat niet altijd waar is, maar dit artikel richt zich op het energieverbruik terwijl alle andere dingen gelijk zijn.
Laten we eerst eens kijken of onze Ai erin slaagt om thermisch comfort te bieden
Om te beginnen hebben we van onze sensor Ai gevraagd om de temperatuur binnen een gewenst bereik te houden, bijvoorbeeld tussen 71,5 ° F en 75 ° F maximaal (of 22-24 ° C), terwijl we zoveel mogelijk energie besparen.
We hebben ook een beperking toegevoegd zodat de temperatuur niet elke 15 minuten met meer dan 0,5 ° C kon worden gewijzigd.
Als gevolg hiervan onthult de onderstaande grafiek voor een enkele dag dat de kantoorruimte binnen een gewenst temperatuurbereik blijft. Bovendien behaalde onze Ai gedurende de dag een grote thermische stabiliteit:
Laten we nu eens kijken naar het energieverbruik van de sensor Ai in vergelijking met de basislijn.
Het totale elektriciteitsverbruik het hele jaar door voor verwarming en koeling toont aan dat de Ai het energieverbruik met 18,7% verlaagt.
Hier werd de beperking ingesteld door een gewenst temperatuurbereik. Wanneer we de beperking veranderen in een gewenste thermische comfortzone (ingesteld door PMV in ASHRAE 55), slagen we erin om maar liefst 38% energiebesparing te krijgen. Maar laten we dat voor een ander artikel bewaren.
| Type HVAC-regeling | Totaal energieverbruik (GJ) |
| Rule-based | 1439,60 |
| Kunstmatige intelligentie | 1169,48 |
De luchtkwaliteit sensor Ai overtrof aanzienlijk de conventionele aanpak voor zowel gas- als elektriciteitsverbruik. Het is belangrijk op te merken dat deze resultaten werden verkregen uit hetzelfde bouwmodel.
Omdat het een bouwmodel is, werkt het ook perfect.
In een vergelijkbaar real-life gebouw wordt verwacht dat de Ai nog beter presteert tegen een op regels gebaseerd HVAC-systeem, omdat het zich aanpast. Regels kunnen zeer geavanceerd zijn, maar ze evolueren niet in de loop van de tijd, omdat ze op de eerste dag in steen worden gezet.
Om deze reden en omdat de Ai zoveel ervaring heeft opgedaan in miljoenen verschillende situaties tijdens de training, kunnen op regels gebaseerde gebouwen niet zoveel energie besparen.
Het toepassen van Ai op complexe onderwerpen zoals energiebeheer in gebouwen biedt een geweldige kans om de CO2-voetafdruk te verminderen en kosten te besparen. Nu aan de beurt: hoe optimaliseert u energie en thermisch comfort in uw gebouwen? Laat het ons weten in de reacties hieronder.