In een tijd van verouderende infrastructuur en steeds slimmere besturing van gebouwen, het vermogen om te voorspellen hoe gebouwen energie gebruiken - en hoeveel energie ze gebruiken - is ongrijpbaar gebleven, tot nu.

Onderzoekers uit Saoedi-Arabië, China en de Verenigde Staten hebben samengewerkt om een ​​slimmere manier te ontwikkelen om het energieverbruik te voorspellen door middel van een methode waarbij kunstmatige systemen, computationele experimenten en parallel computing. Ze publiceerden hun resultaten in IEEE/CAA Journal of Automatica Sinica .

"Over het algemeen, het is een uitdaging om het energieverbruik van gebouwen precies te voorspellen vanwege de vele invloedrijke omgevingsfactoren die verband houden met energieverbruik, zoals buitentemperatuur, vochtigheid, de dag van de week, en speciale evenementen, " zei Abdulaziz Almalaq, paper auteur en assistent-professor bij de afdeling Elektrotechniek aan het Engineering College van de Universiteit van Hail in Saoedi-Arabië.

"Hoewel omgevingsparameters nuttige bronnen zijn voor het voorspellen van energieverbruik, voorspelling met behulp van een groot aantal operationele parameters van een gebouw, zoals kamertemperatuur, grote apparaten en verwarming, ventilatie, en airconditioning (HVAC) systeemparameters, is een vrij ingewikkeld probleem, vergeleken met voorspelling met alleen historische gegevens."

Volgens Almalaq, de omgevingsparameters zijn nuttig maar beperkt. Bijvoorbeeld, twee identieke gebouwen in identieke omgevingen kunnen zeer verschillende energieverbruiken hebben op basis van hoe de gebouwen worden gebruikt. Zelfs als beide gebouwen op dezelfde temperatuur worden gehouden, het HVAC-systeem van een gebouw zal meer energie moeten verbruiken als dat gebouw een evenement organiseert met een paar honderd mensen.

"De nauwkeurige voorspelling van het energieverbruik op een bepaald moment onder veel buiten- en binnenomstandigheden wordt een essentiële stap om de energie-efficiëntie en het beheer in een slim gebouw te verbeteren, ' zei Almalaq.

Almalaq en zijn team gebruikten hybride deep learning-algoritmen, in combinatie met kunstmatige systemen, computationele experimenten en parallelle computertheorie gebaseerd op complexe, maar generiek, systemen. Bij testen met echt gebouw aan de Universiteit van Colorado Denver, de methode heeft de energiehuishouding aanzienlijk verbeterd.

"De analyse die in dit artikel is uitgevoerd, toonde aan dat het hybride deep learning-model een krachtig hulpmiddel voor kunstmatige intelligentie is voor het modelleren van multivariabele complexe systemen, "Almalaq zei. "Het heeft het potentieel om op verschillende gebieden te worden toegepast, zoals het slimme kantoor, het slimme huis en de slimme stad."