AI能源管理系統(tǒng)可大幅降低智能建筑能耗 | 論文分享

隨著全球工業(yè)化的加速發(fā)展以及對碳中和目標(biāo)的廣泛追求，對可持續(xù)能源解決方案的需求日益迫切。近期發(fā)表的一篇題為《基于人工智能技術(shù)的能源管理系統(tǒng)設(shè)計與應(yīng)用》的研究，介紹了一個具有突破性的人工智能驅(qū)動平臺，旨在徹底變革智能建筑的能源監(jiān)測與控制方式。

該系統(tǒng)由福州大學(xué)聯(lián)合生物技術(shù)及信息技術(shù)領(lǐng)域的合作伙伴共同研發(fā)，融合了機(jī)器學(xué)習(xí)、云計算和傳感器技術(shù)，構(gòu)建出一個可擴(kuò)展的系統(tǒng)架構(gòu)，顯著提升了運行效率和可持續(xù)性。

基于人工智能的能源管理系統(tǒng)解決了哪些問題？

該研究聚焦于傳統(tǒng)建筑能源系統(tǒng)中長期存在的低效問題。這些系統(tǒng)通常依賴于人工監(jiān)控、分散的控制機(jī)制以及被動維護(hù)策略，導(dǎo)致能耗居高不下、排放增加，且環(huán)境控制效果不穩(wěn)定，特別是在暖通空調(diào)（HVAC）需求復(fù)雜的商業(yè)和機(jī)構(gòu)類建筑中表現(xiàn)尤為明顯。

該AI系統(tǒng)通過部署策略性傳感器采集實時數(shù)據(jù)，并結(jié)合機(jī)器學(xué)習(xí)算法對能耗進(jìn)行預(yù)測和異常檢測，從而有效克服了上述弊端。研究采用決策樹回歸、支持向量回歸（SVR）、k-近鄰算法（KNN）和 XGBoost 回歸模型，對中央空調(diào)系統(tǒng)關(guān)鍵指標(biāo)——冷凍水能量表的回水溫度進(jìn)行建模與預(yù)測。系統(tǒng)實現(xiàn)了精確控制和預(yù)測性維護(hù)，有效降低了能源浪費。其中，SVR 模型表現(xiàn)最優(yōu)，均方誤差（MSE）僅為 0.09，顯著優(yōu)于其他模型。

當(dāng)預(yù)測結(jié)果超出設(shè)定閾值時，系統(tǒng)將自動觸發(fā)預(yù)警機(jī)制，從而增強(qiáng)了整體的安全性與響應(yīng)能力。相關(guān)洞察通過使用 Pyecharts 庫開發(fā)的可視化儀表盤進(jìn)行展示，為建筑管理者提供直觀、實時的運行控制界面和關(guān)鍵性能數(shù)據(jù)。

從數(shù)據(jù)采集到可視化，系統(tǒng)如何發(fā)揮作用？

系統(tǒng)架構(gòu)依托于覆蓋整個建筑的傳感器網(wǎng)絡(luò)，用于采集 HVAC 系統(tǒng)及其他關(guān)鍵設(shè)備的能耗數(shù)據(jù)。這些數(shù)據(jù)通過 API 接口或基于 CSV 的集成方式傳輸至云平臺進(jìn)行處理。后端系統(tǒng)基于 FastAdmin 搭建，采用 MySQL 數(shù)據(jù)庫及 Apache 服務(wù)器，用于數(shù)據(jù)的存儲、管理與機(jī)器學(xué)習(xí)分析。

系統(tǒng)支持動態(tài)數(shù)據(jù)更新，確保每當(dāng)新傳感器數(shù)據(jù)上傳時，模型與可視化結(jié)果均能實時刷新。獨特的時間戳機(jī)制可有效避免冗余數(shù)據(jù)上傳，而自動告警功能則在能源指標(biāo)偏離常態(tài)時及時提示操作人員。

可視化界面托管于可通過公網(wǎng) IP 訪問的云平臺，提供實時圖表、系統(tǒng)性能趨勢和地理部署地圖等功能，便于管理人員按區(qū)域監(jiān)測冷凍水溫差、壓差及能耗模式。這種高精度的監(jiān)測能力，為實施針對性優(yōu)化與自適應(yīng)控制策略提供了有力支持。

該研究的廣泛意義與未來發(fā)展方向

該人工智能平臺為制造、教育、醫(yī)療等高能耗行業(yè)提供了一個可定制、可擴(kuò)展的智能能源管理解決方案。系統(tǒng)具備處理高頻傳感器數(shù)據(jù)、進(jìn)行高精度預(yù)測分析和驅(qū)動實時決策的能力，為智能建筑的數(shù)字化轉(zhuǎn)型樹立了標(biāo)桿。

盡管目前系統(tǒng)主要應(yīng)用于冷凍水系統(tǒng)，但其架構(gòu)具備良好的擴(kuò)展性，可進(jìn)一步應(yīng)用于供暖、照明及可再生能源集成等其他能源管理場景。研究團(tuán)隊建議在不同類型建筑及多樣氣候條件下開展進(jìn)一步測試，并整合更多數(shù)據(jù)源與更智能的傳感器陣列，以提升預(yù)測精度并拓展應(yīng)用場景。

值得注意的是，人工智能系統(tǒng)在部署過程中仍面臨一定挑戰(zhàn)，包括較高的初期投資成本、對網(wǎng)絡(luò)安全的高要求，以及對專業(yè)人員的依賴以進(jìn)行系統(tǒng)維護(hù)與數(shù)據(jù)解讀。然而，該研究有力地驗證了基于人工智能的智能能源管理不僅在技術(shù)層面可行，而且在經(jīng)濟(jì)效益方面也具有顯著潛力。

以下為該論文的摘要與結(jié)論，更多詳情請查閱原文：https://www.mdpi.com/2673-4591/91/1/16?_x_tr_sl=auto&_x_tr_tl=zh-CN&_x_tr_hl=zh-CN&_x_tr_pto=wapp

摘要

為應(yīng)對日益嚴(yán)峻的能耗問題，促進(jìn)節(jié)能減排，本研究旨在設(shè)計并應(yīng)用基于人工智能 (AI) 技術(shù)的能源管理系統(tǒng)平臺。該系統(tǒng)采用傳感器技術(shù)和數(shù)據(jù)采集設(shè)備，實時監(jiān)測建筑物內(nèi)各類能耗，并通過機(jī)器學(xué)習(xí)算法高效處理和預(yù)測這些數(shù)據(jù)，并最終將結(jié)果可視化。該系統(tǒng)功能完善，完成了從數(shù)據(jù)采集到可視化、云平臺構(gòu)建，最終形成完整的能源管理平臺。通過預(yù)測中央空調(diào)系統(tǒng)冷凍水能量表回水溫度并比較其性能，將各種機(jī)器學(xué)習(xí)方法應(yīng)用于能源管理。在各類回歸算法中，決策樹回歸的均方誤差 (MSE) 為 0.36，支持向量回歸 (SVR) 的均方誤差 (MSE) 為 0.09，K 最近鄰 (KNN) 回歸的均方誤差 (MSE) 為 0.57，極端梯度提升 (XGBoost) 回歸的均方誤差 (MSE) 為 0.32。 SVR、XGBoost回歸、決策樹回歸在各項指標(biāo)上表現(xiàn)較好。

……

結(jié)論

該研究開發(fā)并比較了用于預(yù)測能耗數(shù)據(jù)并自動生成和執(zhí)行節(jié)能策略的人工智能算法。這些算法用于實時監(jiān)測建筑物內(nèi)各種類型的能耗，并高效地處理和預(yù)測數(shù)據(jù)，從而準(zhǔn)確識別能源浪費并配置節(jié)能減排資源。目前，平臺模型已完成構(gòu)建。管理人員可以通過遠(yuǎn)程控制進(jìn)行能源管理，確保了靈活性、高效性和便捷性，為能源管理提供了一種新的技術(shù)手段。

此外，該模型還支持實時數(shù)據(jù)傳輸，從而實時處理能源數(shù)據(jù)并構(gòu)建高效的能源管理系統(tǒng)。利用這些算法，該模型可以準(zhǔn)確地進(jìn)行能耗預(yù)測和報警，并顯示數(shù)據(jù)和結(jié)果，以便管理人員據(jù)此進(jìn)行能源調(diào)控。由于能源使用情況的多樣性，該模型目前僅適用于中央空調(diào)系統(tǒng)。因此，有必要在其他能源系統(tǒng)中測試該模型。此外，還需要更多數(shù)據(jù)來改進(jìn)模型及其性能。該模型的功能需要在智能數(shù)據(jù)采集與分析、多樣化能源管理等方面進(jìn)行改進(jìn)。該模型可以通過利用智能傳感器和物聯(lián)網(wǎng)設(shè)備進(jìn)行實時監(jiān)控，并迭代更新智能算法來改進(jìn)。

資料來源：MDPI

生成海報

免責(zé)聲明：本網(wǎng)站內(nèi)容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網(wǎng)站出現(xiàn)的信息，均僅供參考。本網(wǎng)站將盡力確保所提供信息的準(zhǔn)確性及可靠性，但不保證有關(guān)資料的準(zhǔn)確性及可靠性，讀者在使用前請進(jìn)一步核實，并對任何自主決定的行為負(fù)責(zé)。本網(wǎng)站對有關(guān)資料所引致的錯誤、不確或遺漏，概不負(fù)任何法律責(zé)任。任何單位或個人認(rèn)為本網(wǎng)站中的網(wǎng)頁或鏈接內(nèi)容可能涉嫌侵犯其知識產(chǎn)權(quán)或存在不實內(nèi)容時，應(yīng)及時向本網(wǎng)站提出書面權(quán)利通知或不實情況說明，并提供身份證明、權(quán)屬證明及詳細(xì)侵權(quán)或不實情況證明。本網(wǎng)站在收到上述法律文件后，將會依法盡快聯(lián)系相關(guān)文章源頭核實，溝通刪除相關(guān)內(nèi)容或斷開相關(guān)鏈接。