• Home
  • Química
  • Astronomía
  • Energía
  • Naturaleza
  • Biología
  • Física
  • Electrónica
  • El aprendizaje profundo reduce los costos en el control de edificios

    Este gráfico detallado transmite la metodología del equipo de investigación, que se basa en métodos de aprendizaje profundo para ayudar a transformar datos de simulación relevantes en estrategias para el control en tiempo real de las operaciones de construcción. El edificio y sus sistemas reales, combinado con modelado y simulaciones, así como otros datos, influir en el sistema de gestión del edificio, conduciendo a un mejor control de las operaciones del edificio. Crédito:Laboratorio Nacional del Noroeste del Pacífico

    Los edificios estadounidenses consumen aproximadamente el 40 por ciento de la energía de EE. UU., gran parte del cual se gasta en calefacción, enfriamiento, y ventilación. Los métodos de control mejorados pueden ayudar a reducir el consumo de energía. El modelo de control predictivo (MPC) ha mostrado potencial para reducir sustancialmente el uso de energía en los edificios. Sin embargo, no ha sido ampliamente adoptado debido a una serie de desafíos de implementación.

    Recientemente, PNNL ha demostrado que el aprendizaje profundo se puede utilizar para superar algunos de estos desafíos, allanando el camino para una adopción más amplia de MPC en edificios. "Para una aplicación exitosa en edificios, el método debe ser menos costoso y más fácil de implementar, y ese ha sido el foco de nuestro trabajo, "explica Jan Drgona, un investigador asociado postdoctoral PNNL.

    MPC tradicional basado en la física y sus desafíos

    MPC optimiza el control sobre un horizonte temporal en retroceso, y en un edificio, el método puede optimizar el control durante las próximas 24 horas en intervalos de 15 minutos. MPC usaría un modelo del edificio para evaluar su desempeño durante las próximas 24 horas bajo diferentes estrategias de control para supuestos de ocupación fija y clima. Se implementan los ajustes de control para los primeros 15 minutos, se mide la respuesta del edificio, y el proceso se repite con las condiciones iniciales actualizadas y las predicciones meteorológicas.

    Una parte fundamental de MPC es el modelo en sí. El MPC se utilizó inicialmente para optimizar los procesos químicos industriales a través de modelos basados ​​en la física. El MPC basado en la física también ha demostrado su eficacia en edificios. De hecho, Las pruebas de campo realizadas por la Universidad KU Leuven en un edificio de oficinas en Bélgica mostraron ahorros de energía de hasta el 50 por ciento. MPC también mejoró el confort térmico en el edificio al mantener las temperaturas más cercanas a los límites prescritos, que puede mejorar la productividad y el bienestar de los ocupantes.

    El despliegue de MPC en una gran parte del parque de edificios no ha sido posible debido a los altos costos de instalación. Cada edificio es único y requiere su propio modelo personalizado basado en la física. Los modelos basados ​​en la física son computacionalmente costosos, limitar el número de alternativas de estrategias de control que se pueden explorar y, a menudo, requieren hardware dedicado.

    ¿Una posible solución?

    Un equipo de investigación de Jan Drgona, Draguna Vrabie de PNNL, y Lieve Helsen de KU Leuven ha desarrollado un enfoque que supera los desafíos computacionales de MPC. El equipo utilizó MPC basado en la física para entrenar modelos de redes neuronales de aprendizaje profundo.

    Los modelos de redes neuronales producen acciones de control que se aproximan mucho a las producidas por el MPC basado en la física, pero lo hacen mucho más rápidamente y utilizan una potencia de cálculo significativamente menor. En términos simples, los investigadores están enseñando al aprendiz barato (red neuronal) a imitar el comportamiento del experto mucho más caro (MPC basado en la física).

    "Terminamos con un controlador inteligente de alto rendimiento con solo una fracción del costo de ejecución del control predictivo de modelos clásico, "Dice Drgona.

    Él añade, "Queda mucho trabajo por hacer para lograr una métodos escalables aplicables a sistemas de construcción a gran escala. Al aplicar estos métodos, estamos en camino de reducir los costos de ingeniería y lograr una solución genérica que esté ampliamente disponible para la comunidad de control de edificios ".

    Drgona y sus colegas discutieron sus métodos en "Eliminación de la complejidad de implementación del control predictivo de modelos basado en la física para edificios a través del aprendizaje profundo". Este documento fue presentado en una sesión de taller en la Conferencia sobre Sistemas de Procesamiento de Información Neural en Vancouver, Canadá, en diciembre de 2019.


    © Ciencia http://es.scienceaq.com