Als de weersvoorspelling regen voorspelt, je zult waarschijnlijk een paraplu inpakken. Als het om kou vraagt, je mag je wanten meenemen. Diezelfde voorbereiding gebeurt in gebouwen, waar geavanceerde verwarmings- en koelsystemen zich aanpassen aan het voorspelde weer.

Maar als de voorspelling onvolmaakt is - zoals vaak - kunnen gebouwen uiteindelijk energie verspillen, net zoals we onszelf nat kunnen vinden, koud of belast met extra lagen die we niet nodig hebben.

Een nieuwe aanpak ontwikkeld door Fengqi You, professor in energiesysteemtechniek aan de Cornell University, voorspelt de nauwkeurigheid van de weersvoorspelling met behulp van een machine learning-model dat is getraind met jarenlange gegevens over voorspellingen en werkelijke weersomstandigheden. Je hebt die voorspeller gecombineerd met een wiskundig model dat rekening houdt met bouwkenmerken, inclusief de grootte en vorm van kamers, de bouwmaterialen, de locatie van sensoren en de positie van ramen.

Het resultaat is een slim besturingssysteem dat het energieverbruik tot 10 procent kan verminderen, volgens een casestudy die zijn team heeft uitgevoerd op Toboggan Lodge, een bijna 90 jaar oud gebouw op de campus van Cornell.

"Als het gebouw zelf 'slim' genoeg zou zijn om de weersomstandigheden te kennen, of op de een of andere manier iets meer begrijpen over de weersvoorspellingsinformatie, het zou betere aanpassingen kunnen maken om zijn verwarmings- en koelsystemen automatisch te regelen om energie te besparen en de inzittenden comfortabeler te maken, " zei jij, wiens papier, "Een gegevensgestuurde, robuuste optimalisatiebenadering voor op scenario's gebaseerde stochastische modelvoorspellende controle, " gepubliceerd in de Dagboek van procesbeheersing .

"Bijvoorbeeld, als ik weet dat de zon heel snel opkomt, het wordt warm, dan hoef ik het huis waarschijnlijk niet zo veel te verwarmen. Als ik weet dat er vannacht een storm komt, dan probeer ik een beetje op te warmen zodat ik een comfortabel niveau kan houden, " U zei. "We proberen het energiesysteem slim te maken, zodat het een beetje van de toekomst kan voorspellen en de optimale beslissingen kan nemen."

De eerste auteur van het papier is Chao Shang, voorheen een Cornell-postdoctoraal medewerker in You's lab en nu een assistent-professor automatisering aan de Tsinghua University. Een team van masterstudenten hielp bij het ontwikkelen van de case study Toboggan Lodge, naast het verzamelen van jarenlange historische weer- en klimaatgegevens om het machine learning-model te trainen.

Met deze informatie, het model kan onzekerheid detecteren, niet alleen in temperatuur, maar ook in neerslag, zonlicht en verschillen in omstandigheden per locatie. Op basis van de mate van onzekerheid in de prognose, het model past zichzelf daarop aan.

"Zelfs het beste weersvoorspellingssysteem geeft je niet de meest nauwkeurige informatie, "Je zei. "Bovendien, de weersvoorspellingsinformatie is meestal voor een bepaalde regio, maar niet voor een specifieke locatie."

Door de machine learning-algoritmen en de wiskundige programmeermethoden te combineren, ontstaat een besturingssysteem dat nauwkeuriger en "slimmer" is dan een van beide op zichzelf zou zijn, Jij zei. Het raamwerk heeft potentiële toepassingen in gebouwbeheersystemen en irrigatiecontrole in de landbouw, en kan worden gebruikt voor een efficiëntere beheersing van het binnenmilieu in verticale boerderijen en fabrieken die steeds populairder worden in grote steden.

"We hebben geen perfecte manier om het weer te voorspellen, dus het beste wat we kunnen doen is AI en mechanistische modellering combineren, " zei hij. "Deze twee delen zijn nooit eerder op een systematische manier geharmoniseerd voor automatische besturing en energiebeheer."