Djupinlärning kan halvera byggnadens energiåtgång

2021-02-14 07:30  
Forskarnas djupinlärning lär sig att fatta optimala beslut mycket snabbare och baserat på en betydligt mindre mängd data än konventionella neuronnät. Foto: Shannon Colson | Pacific Northwest National Laboratory

Nu har forskare utvecklat ett enkelt och billigt tillvägagångssätt för djupinlärning med metoden "model predictive control" – som kan sänka energiförbrukningen i byggnader med 50 procent.

Det är en avancerad metod för att styra en process inom ramen för en rad uppsatta begränsningar. "Model predictive control" (MPC) har bland annat använts inom kemiindustrin och av oljeraffinaderier sedan 1980-talet – men nu är lösningen på frammarsch inom andra områden.

Med hjälp av MPC skulle man exempelvis kunna sänka energiförbrukningen hos byggnader med upp till hälften, men tidigare krävde detta stora investeringar i form av ny mjukvara samt ökad datorkapacitet. Nu har dock Pacific Northwest National Laboratory, PNNL, utvecklat ett nytt tillvägagångssätt för djupinlärning. Det skriver PNNL på sin hemsida.

Läs mer: Ai förutspår risken för hjärt-kärlsjukdom – lika bra som experterna

Ett artificiellt neuronnät kräver vanligtvis mängder av data och kraftfulla datorer för den djupinlärning som behövs för att bygga artificiell intelligens. Men den metod som PNNL använder för att träna MPC:n utgår från den data och fysiska kunskap som byggnaden redan sitter på. Algoritmen lär sig att fatta optimala beslut mycket snabbare och med utgångspunkt från en betydligt mindre mängd data än de konventionella neuronnät som finns till handa.

Med metoden tränar man upp en neural kontrollpolicy som kan installeras på existerande hårdvara. Man slipper investera i ny mjukvara eller en ökad kapacitet – och lösningen innebär att den person som sköter optimeringen av byggnadens energiförbrukning inte alls behöver vara expert på området.

Läs mer: Möss kan bli ett vapen mot deepfakes

Metoden ska gå att använda på alla typer av byggnader. Men hittills har forskarna bara släppt en prototypkod för ändamålet.

– MPC-metoden för djupinlärning sänker kostnaderna och bidrar till en snabbare design och installation av kontrollsystemen jämfört med traditionella metoder, säger Draguna Vrabie vid PNNL:s Advanced Computing, Mathematics, and Data Division, på forskningsinstitutets hemsida.

Och det är stora mängder energi som kan sparas in. Bostäder och kommersiella byggnader står för nära 40 procent  av USA:s totala energianvändning. Av den mängden går i sin tur 40 procent till uppvärmning, ventilation och luftkonditionering, områden där det kan finnas goda marginaler för justeringar.

John Edgren

Mer om: Bygg Energi

Kommentarer

Välkommen att säga din mening på Ny Teknik.

Principen för våra regler är enkel: visa respekt för de personer vi skriver om och andra läsare som kommenterar artiklarna. Alla kommentarer modereras efter publiceringen av Ny Teknik eller av oss anlitad personal.

  Kommentarer

Debatt