Si el pronóstico pide lluvia, probablemente empacará un paraguas. Si pide frío puede traer sus guantes. Ese mismo tipo de preparación ocurre en los edificios, donde los sofisticados sistemas de calefacción y refrigeración se ajustan a sí mismos en función del tiempo previsto.

Pero cuando el pronóstico es imperfecto, como suele serlo, los edificios pueden terminar desperdiciando energía, así como podemos encontrarnos mojados, frío o cargado con capas adicionales que no necesitamos.

Un nuevo enfoque desarrollado por Fengqi You, profesor de ingeniería de sistemas de energía en la Universidad de Cornell, predice la precisión de la previsión meteorológica mediante un modelo de aprendizaje automático entrenado con años de datos sobre previsiones y condiciones meteorológicas reales. Combinó ese predictor con un modelo matemático que considera las características del edificio, incluido el tamaño y la forma de las habitaciones, los materiales de construcción, la ubicación de los sensores y la posición de las ventanas.

El resultado es un sistema de control inteligente que puede reducir el uso de energía hasta en un 10 por ciento, según un estudio de caso que realizó su equipo en Toboggan Lodge, un edificio de casi 90 años en el campus de Cornell.

"Si el edificio en sí pudiera ser lo suficientemente 'inteligente' para conocer las condiciones climáticas, o al menos comprender un poco más sobre la información de pronóstico del tiempo, podría hacer mejores ajustes para controlar automáticamente sus sistemas de calefacción y refrigeración para ahorrar energía y hacer que los ocupantes se sientan más cómodos, "dijiste tú, cuyo papel, "Un enfoque de optimización robusto basado en datos para el control predictivo del modelo estocástico basado en escenarios, "publicado en el Diario de control de procesos .

"Por ejemplo, si se que el sol va a salir muy pronto, va a hacer calor, entonces probablemente no necesito calentar tanto la casa. Si sé que viene una tormenta esta noche luego trato de calentarme un poco para poder mantener un nivel cómodo, "Dijiste". Intentamos hacer que el sistema energético sea inteligente, para que pueda predecir un poco el futuro y tomar las decisiones óptimas ".

El primer autor del artículo es Chao Shang, anteriormente fue un asociado postdoctoral de Cornell en el laboratorio de You y ahora es profesor asistente de automatización en la Universidad de Tsinghua. Un equipo de estudiantes de maestría ayudó a desarrollar el estudio de caso de Toboggan Lodge, además de recopilar años de datos históricos meteorológicos y climáticos para entrenar el modelo de aprendizaje automático.

Con esta información, el modelo puede detectar incertidumbre no solo en la temperatura sino también en la precipitación, luz solar y diferencias en las condiciones por ubicación. Según el nivel de incertidumbre del pronóstico, el modelo se ajusta en consecuencia.

"Incluso el mejor sistema de pronóstico del tiempo no le brindará la información más precisa, "Tú dijiste". Además, la información del pronóstico del tiempo suele ser para una región determinada, pero no para una ubicación específica ".

La combinación de los algoritmos de aprendizaje automático y los métodos de programación matemática crea un sistema de control que es más preciso y "más inteligente" de lo que cualquiera de ellos sería por sí solo. Usted dijo. El marco tiene aplicaciones potenciales en sistemas de control de edificios y control de riego en agricultura, y podría usarse para un control ambiental interior más eficiente en granjas verticales y fábricas de plantas que son cada vez más populares en las grandes ciudades.

"No tenemos una manera perfecta de pronosticar el clima, así que lo mejor que podemos hacer es combinar la IA y el modelado mecanicista, ", dijo." Estas dos partes nunca antes se han armonizado de manera sistemática para el control automático y la gestión de la energía ".