هوش مصنوعی به دنبال کاهش مصرف انرژی و انتشار گازهای گلخانه ای در محوطه دانشگاه MIT
یک تیم بین‌بخشی تلاش‌ها را برای استفاده از یادگیری ماشین برای افزایش کارایی در گرمایش و سرمایش ساختمان‌های MIT رهبری می‌کند.
ترموستات های هوشمند با استفاده از یادگیری ماشینی برای پاسخگویی به الگوهای اشغال و ترجیحات، نحوه گرم کردن و خنک کردن خانه های بسیاری از مردم را تغییر داده اند و در نتیجه مصرف انرژی کمتری دارند. این فناوری – که می‌تواند داده‌ها را جمع‌آوری و ترکیب کند – به طور کلی بر استفاده تک‌مسکونی متمرکز است، اما اگر این نوع هوش مصنوعی بتواند گرمایش و سرمایش کل محوطه دانشگاه را به‌طور پویا مدیریت کند، چه؟ این ایده پشت یک تلاش بین‌بخشی است که برای کاهش مصرف انرژی دانشگاه از طریق کنترل‌های ساختمان هوش مصنوعی که در زمان واقعی به عوامل داخلی و خارجی پاسخ می‌دهند، کار می‌کند.
درک چالش
گرمایش و سرمایش می تواند یک چالش انرژی برای پردیس هایی مانند MIT باشد، جایی که سیستم های مدیریت ساختمان موجود (BMS) نمی توانند به سرعت به عوامل داخلی مانند نوسانات اشغال یا عوامل خارجی مانند پیش بینی آب و هوا یا شدت کربن شبکه پاسخ دهند. این منجر به استفاده از انرژی بیشتر از نیاز برای گرم کردن و خنک کردن فضاها می شود که اغلب به سطوح زیر بهینه می رسد. با درگیر کردن هوش مصنوعی، محققان شروع به ایجاد چارچوبی برای درک و پیش‌بینی نقاط تنظیم دمای بهینه (دمایی که ترموستات برای حفظ آن تنظیم شده است) در سطح اتاق فردی را آغاز کرده‌اند و مجموعه‌ای از عوامل را در نظر می‌گیرند که به سیستم‌های موجود اجازه می‌دهد. برای گرم کردن و خنک کردن کارآمدتر، همه بدون دخالت دست.
لس نورفورد، استاد معماری در MIT، که کارش در مطالعات انرژی، کنترل و تهویه، او را با این تلاش مرتبط کرد، توضیح می‌دهد: «این تفاوت چندانی با کاری که مردم در خانه‌ها انجام می‌دهند، نیست. به جز اینکه باید به مواردی مانند مدت زمان استفاده از کلاس درس در یک روز، پیش‌بینی‌های آب و هوا، زمان مورد نیاز برای گرم کردن و خنک کردن اتاق، تأثیر گرمای خورشید که از پنجره می‌آید، و نحوه کلاس بعدی فکر کنیم. درب ممکن است بر همه اینها تأثیر بگذارد.» این عوامل در مرکز تحقیقات و خلبان هایی هستند که نورفورد و یک تیم روی آنها متمرکز شده اند. این تیم شامل جرمی گرگوری، مدیر اجرایی کنسرسیوم آب و هوا و پایداری MIT است. آدون بوترود، پژوهشگر اصلی آزمایشگاه سیستم های اطلاعات و تصمیم گیری؛ استیو لانو، مدیر پروژه در دفتر پایداری MIT (MITOS)؛ Fran Selvaggio، بخش تسهیلات، مهندس ارشد سیستم های مدیریت ساختمان؛ و دیزی گرین و یو لین، هر دو فوق دکترا.
این گروه حول فراخوان اقدام برای بررسی احتمالات به کارگیری هوش مصنوعی برای کاهش مصرف انرژی در محوطه دانشگاه سازماندهی شده است که در Fast Forward: برنامه اقدام اقلیمی MIT برای دهه مشخص شده است، اما تلاش ها به سال 2019 ادامه می یابد. جو هیگینز، معاون خدمات پردیس و سرپرستی، که در اصل این ایده را در هک انرژی MIT 2019 برای دانشجویان مطرح کرد، می‌گوید: پردیس خود را کربن‌زدایی کنید، ما در حال بررسی همه راه‌ها هستیم. برای من، این فرصت خوبی بود تا از تخصص MIT استفاده کنم و ببینم چگونه می‌توانیم آن را در محوطه دانشگاه خود اعمال کنیم و آنچه را که می‌آموزیم با صنعت ساختمان به اشتراک بگذاریم. تحقیق در مورد این مفهوم در این رویداد آغاز شد و با اجرای معادلات دیفرانسیل و مدیریت خلبان‌هایی برای آزمایش حدود ایده توسط محققان دانشجوی کارشناسی و کارشناسی ارشد ادامه یافت. به زودی، گرگوری، که همچنین یکی از اعضای هیئت علمی MITOS است، به پروژه پیوست و به شناسایی افراد دیگر برای پیوستن به تیم کمک کرد. گرگوری می‌گوید: «نقش من به‌عنوان یک عضو هیئت علمی یافتن فرصت‌هایی برای ارتباط جامعه تحقیقاتی در MIT با چالش‌هایی است که خود MIT با آن مواجه است – بنابراین این برای آن مناسب بود.
اولین آزمایش‌کننده‌های این پروژه بر روی تست نقاط تنظیم ترموستات در NW23، محل دپارتمان تأسیسات و دفتر برنامه‌ریزی دانشگاه تمرکز داشتند، اما نورفورد به سرعت متوجه شد که کلاس‌های درس متغیرهای بیشتری را برای آزمایش فراهم می‌کنند و آزمایش به ساختمان 66 گسترش یافت. – از ساختمانی استفاده کنید که محل کلاس های درس، دفاتر و فضاهای آزمایشگاهی است. می‌گوید: «ما توجه خود را به مطالعه کلاس‌های درس معطوف کردیم تا حدی به دلیل پیچیدگی آنها، اما همچنین به دلیل مقیاس بسیار زیاد – صدها مورد از آنها در محوطه دانشگاه وجود دارد، بنابراین [آنها] فرصت‌های بیشتری برای جمع‌آوری داده‌ها و تعیین پارامترهای آنچه در حال آزمایش هستیم ارائه می‌کنند». نورفورد.
در حال توسعه فناوری
کار برای توسعه کنترل‌های ساختمانی هوشمندتر با یک مدل مبتنی بر فیزیک با استفاده از معادلات دیفرانسیل شروع می‌شود تا بفهمیم چگونه اجسام می‌توانند گرم یا سرد شوند، گرما را ذخیره کنند و چگونه گرما ممکن است در نمای ساختمان جاری شود. داده های خارجی مانند آب و هوا، شدت کربن شبکه برق و برنامه های کلاس درس نیز ورودی هستند، با هوش مصنوعی به این شرایط پاسخ می دهد تا نقطه تنظیم ترموستات بهینه را در هر ساعت ارائه دهد – نقطه ای که بهترین مبادله بین دو هدف حرارتی را فراهم می کند. راحتی سرنشینان و مصرف انرژی سپس آن نقطه تنظیم به BMS موجود می گوید که چقدر فضا را گرم یا خنک کند. در ادامه آزمایش‌های واقعی انجام می‌شود و ساکنان ساختمان در مورد راحتی آنها بررسی می‌شوند. Botterud که تحقیقاتش بر تعاملات بین مهندسی، اقتصاد و سیاست در بازارهای برق متمرکز است، برای اطمینان از اینکه الگوریتم های هوش مصنوعی می توانند این یادگیری را به صرفه جویی در انرژی و انتشار کربن ترجمه کنند، کار می کند.
در حال حاضر، خلبان ها بر روی شش کلاس درس در ساختمان 66 متمرکز شده اند، با این هدف که قبل از گسترش به کل ساختمان، به فضاهای آزمایشگاهی منتقل شوند. نورفورد توضیح می دهد: «هدف در اینجا صرفه جویی در انرژی است، اما این چیزی نیست که بتوانیم تا زمانی که یک ساختمان کامل را تکمیل کنیم، آن را به طور کامل ارزیابی کنیم. ما باید برای جمع‌آوری داده‌ها کلاس به کلاس کار کنیم، اما به یک تصویر بسیار بزرگ‌تر نگاه می‌کنیم.» تیم تحقیقاتی از شبیه‌سازی‌های مبتنی بر داده‌ها برای تخمین صرفه‌جویی قابل‌توجه در انرژی و حفظ آسایش حرارتی در شش کلاس درس طی دو روز استفاده کرد، اما برای اجرای کنترل‌ها و اندازه‌گیری صرفه‌جویی در طول یک سال به کار بیشتری نیاز است.
بوترود توضیح می‌دهد که با صرفه‌جویی قابل‌توجهی که در کلاس‌های جداگانه تخمین زده می‌شود، صرفه‌جویی انرژی حاصل از کل ساختمان می‌تواند قابل توجه باشد و هوش مصنوعی می‌تواند به رسیدن به این هدف کمک کند، بوترود توضیح می‌دهد: «کل این مفهوم مقیاس‌پذیری واقعاً در قلب کاری است که ما انجام می‌دهیم. ما زمان زیادی را در ساختمان 66 صرف می‌کنیم تا بفهمیم چگونه کار می‌کند و امیدواریم که این الگوریتم‌ها را بتوان با تلاش بسیار کمتری برای اتاق‌ها و ساختمان‌های دیگر مقیاس‌بندی کرد، بنابراین راه‌حل‌هایی که در حال توسعه هستیم می‌توانند تاثیر زیادی در MIT داشته باشند. می گوید.
بخشی از این تأثیر بزرگ شامل کارکنان عملیاتی، مانند Selvaggio می‌شود، که در ارتباط تحقیقات با عملیات جاری و اجرای آنها در سراسر دانشگاه ضروری هستند. او می گوید: «بیشتر کار تیم BMS در مرحله آزمایشی برای پروژه ای مانند این انجام می شود. ما توانستیم این سیستم‌های هوش مصنوعی را با BMS موجود خود در عرض چند هفته راه‌اندازی کنیم و به خلبانان اجازه دهیم به سرعت از زمین خارج شوند. Selvaggio می‌گوید در آماده‌سازی برای تکمیل پایلوت‌ها، تیم BMS 50 ساختمان اضافی را در محوطه دانشگاه شناسایی کرده‌اند که در آینده می‌توان این فناوری را به راحتی نصب کرد تا صرفه‌جویی در مصرف انرژی آغاز شود. تیم BMS همچنین با شرکت اتوماسیون ساختمان، اشنایدر الکتریک، که الگوریتم های کنترلی جدید را در ساختمان 66 کلاس درس پیاده سازی کرده و آماده گسترش به مکان های آزمایشی جدید است، همکاری می کند.
گسترش تاثیر
تکمیل موفقیت‌آمیز این برنامه‌ها امکان صرفه‌جویی بیشتر در انرژی را نیز باز می‌کند – MIT را به اهداف کربن‌زدایی‌اش نزدیک‌تر می‌کند. هیگینز توضیح می‌دهد: «فرای صرفه‌جویی در مصرف انرژی، ما در نهایت می‌توانیم ساختمان‌های پردیس خود را به یک شبکه انرژی مجازی تبدیل کنیم، جایی که هزاران ترموستات جمع‌آوری و هماهنگ شده‌اند تا به عنوان یک موجودیت مجازی یکپارچه عمل کنند». این نوع شبکه‌های انرژی می‌توانند کربن‌زدایی بخش برق را با کاهش نیاز به نیروگاه‌های کربن فشرده در زمان‌های اوج مصرف و امکان استفاده کارآمدتر از انرژی شبکه برق تسریع کنند.
همانطور که خلبانان ادامه می دهند، آنها یک فراخوان دیگر برای اقدام را در Fast Forward انجام می دهند – برای اینکه دانشگاه یک “محل آزمایش برای تغییر” باشد. گرگوری می‌گوید: «این پروژه نمونه‌ای عالی از استفاده از محوطه دانشگاه ما به‌عنوان یک بستر آزمایشی است – این پروژه تحقیقات پیشرفته‌ای را برای اعمال کربن‌زدایی محوطه دانشگاه خود به ارمغان می‌آورد. این یک پروژه عالی برای تمرکز خاص آن است، اما همچنین برای خدمت به عنوان الگویی برای نحوه استفاده از محوطه دانشگاه به عنوان یک آزمایشگاه زنده.
