Методи машинного навчання для підвищення енергоефективності будівель

Abstract

Прогнозування споживання енергії в будівлі відіграє важливу роль, оскільки воно може допомогти оцінити її енергоефективність, виявити й діагностувати несправності системи енергопостачання, а також зменшити витрати коштів і покращити вплив на клімат. Проаналізовано актуальні дослідження у галузі забезпечення енергоефективності будівель, зокрема, їх енергетичної оцінки з урахуванням типів розглядуваних моделей. Детально розглянуто принципи, переваги, обмеження та практичне застосування основних моделей на основі даних, виділено пріоритетні майбутні напрями прогнозування енергоефективності будівель. Доведено, що ефективність методів є різною для основних типів моделей і залежить від таких факторів: вхідні дані та параметри, тип та якість доступних даних для тренування, придатність методу до конкретного типу моделі тощо. Підкреслено необхідність врахування елемента невизначеності під час прогнозування споживання енергії, оскільки неможливо точно моделювати метеорологічні фактори та поведінку мешканців. Тому для відображення складних нелінійних вхідних та вихідних взаємозв’язків вибрано методи машинного навчання, зокрема, моделі на основі глибокого навчання, оскільки їх продуктивність вища, ніж статистичних методів прогнозування часових рядів. Аналіз опублікованих праць виявив відсутність робіт з описанням цілісної інформаційної системи прогнозування енергії для застосування у комерційних проєктах. Тому актуальним є розроблення автономної інформаційної системи формування стратегії підвищення енергоефективності будівель, яка поєднуватиме сучасні методи машинного навчання. Ми запропонували новий підхід до поєднання технологій семантичного моделювання та машинного навчання для системи управління енергією розумних будівель із використанням системи знань розробленої нами семантичної моделі.Predicting a building’s energy consumption plays an important role as it can help assess its energy efficiency, identify and diagnose energy system faults, and reduce costs and improve climate impact. An analysis of current research in the field of ensuring the energy efficiency of buildings, in particular, their energy assessment, considering the types of models under consideration, was carried out. The principles, advantages, limitations, and practical application of the main data-based models are considered in detail, and priority future directions for forecasting the energy efficiency of buildings are highlighted. It is shown that the effectiveness of the methods is different for the main types of models and depends on the following factors: input data and parameters, the type and quality of available data for training, the suitability of the method for a specific type of model, etc. The need to consider the element of uncertainty when forecasting energy consumption due to the impossibility of accurate modeling of meteorological factors and the behavior of residents is emphasized. Therefore, machine learning methods, particularly deep learning-based models, are chosen to represent complex nonlinear input-output relationships, as they show higher performance than statistical time series forecasting methods. The analysis of published works revealed a lack of works describing a comprehensive energy forecasting information system for use in commercial projects. We proposed a new approach to combining semantic modeling and machine learning technologies for the energy management system of smart buildings, using the knowledge system of the semantic model we developed.