Membuat termostat cerdas lebih efisien
Green Tech

Membuat termostat cerdas lebih efisien


Diagram dari makalah baru yang merinci termostat pintar menunjukkan interaksi kondisi cuaca, sistem kontrol, sensor, dan algoritma pembelajaran untuk mengoptimalkan iklim mikro di gedung. Kredit: Institut Teknologi Massachusetts

Bangunan menyumbang sekitar 40% dari konsumsi energi AS, dan bertanggung jawab atas sepertiga emisi karbon dioksida global. Membuat bangunan lebih hemat energi tidak hanya merupakan tindakan penghematan biaya, tetapi juga strategi mitigasi perubahan iklim yang penting. Karenanya, munculnya gedung-gedung “pintar”, yang semakin menjadi norma di seluruh dunia.

Bangunan pintar mengotomatiskan sistem seperti pemanas, ventilasi, dan AC (HVAC); Petir; listrik; dan keamanan. Otomatisasi memerlukan data sensorik, seperti suhu dan kelembapan dalam dan luar ruangan, konsentrasi karbon dioksida, dan status hunian. Bangunan pintar memanfaatkan data dalam kombinasi teknologi yang dapat membuatnya lebih hemat energi.

Karena sistem HVAC menyumbang hampir setengah dari penggunaan energi gedung, gedung pintar menggunakan termostat cerdas, yang mengotomatiskan kontrol HVAC dan dapat mempelajari preferensi suhu penghuni gedung.

Dalam makalah yang diterbitkan di jurnal Energi Terapan, peneliti dari MIT Laboratory for Information and Decision Systems (LIDS), bekerja sama dengan para ilmuwan Skoltech, telah merancang termostat cerdas baru yang menggunakan algoritme hemat data yang dapat mempelajari ambang suhu optimal dalam waktu seminggu.

“Meskipun ada kemajuan baru-baru ini dalam teknologi internet-of-things dan analitik data, penerapan gedung pintar terhalang oleh proses akuisisi data yang memakan waktu di gedung,” kata rekan penulis Munther Dahleh, profesor teknik kelistrikan dan ilmu komputer dan direktur dari Institut Data, Sistem, dan Masyarakat (IDSS). Algoritme termostat cerdas menggunakan data gedung untuk mempelajari cara beroperasi secara optimal, tetapi pengumpulan datanya dapat memakan waktu berbulan-bulan.

Untuk mempercepat proses pembelajaran, peneliti menggunakan metode yang disebut manifold learning, dimana fungsi kompleks dan “berdimensi tinggi” direpresentasikan dengan fungsi yang lebih sederhana dan berdimensi lebih rendah yang disebut “manifold”. Dengan memanfaatkan pembelajaran berjenis dan pengetahuan dalam membangun termodinamika, para peneliti mengganti metode kontrol umum, yang dapat memiliki banyak parameter, dengan serangkaian kebijakan “ambang batas” yang masing-masing memiliki parameter yang lebih sedikit dan lebih dapat ditafsirkan. Algoritma yang dikembangkan untuk mempelajari manifold optimal membutuhkan lebih sedikit data, sehingga lebih hemat data.

Algoritme yang dikembangkan untuk termostat menggunakan metodologi yang disebut pembelajaran penguatan (RL), pendekatan pengambilan keputusan dan kontrol berurutan berdasarkan data yang telah mendapatkan banyak perhatian dalam beberapa tahun terakhir untuk menguasai game seperti backgammon dan Go.

“Kami memiliki mesin simulasi yang efisien untuk permainan komputer yang dapat menghasilkan banyak data untuk algoritme RL guna mempelajari strategi bermain yang baik,” kata Ashkan Haji Hosseinloo, seorang postdoc di LIDS dan penulis utama makalah ini. “Namun, kami tidak memiliki kemewahan data besar untuk pengendalian iklim mikro di gedung.”

Dengan latar belakang teknik mesin dan pelatihan dalam metode seperti RL, Hosseinloo dapat menerapkan wawasan dari statistik dan komputasi canggih ke sistem fisik dunia nyata. “Motivasi utama saya adalah memperlambat, dan bahkan mencegah, krisis energi dan lingkungan dengan meningkatkan efisiensi sistem ini,” katanya.

Algoritme RL baru termostat cerdas “dipicu peristiwa”, yang berarti algoritme tersebut hanya membuat keputusan saat peristiwa tertentu terjadi, bukan pada jadwal yang telah ditentukan sebelumnya. “Peristiwa” ini ditentukan oleh kondisi tertentu yang mencapai ambang — seperti suhu dalam ruangan yang turun dari kisaran optimal. “Ini memungkinkan pembaruan pembelajaran yang lebih jarang dan membuat algoritme kami secara komputasi lebih murah,” kata Hosseinloo.

Daya komputasi adalah kendala potensial untuk mempelajari algoritme, dan sumber daya komputasi bergantung pada apakah algoritme berjalan di cloud atau di perangkat itu sendiri — seperti termostat cerdas. “Kami membutuhkan algoritme pembelajaran yang efisien secara komputasi dan efisien data,” kata Hosseinloo.

Bangunan hemat energi menawarkan keuntungan tambahan selain pengurangan emisi dan pemotongan biaya. ‘Iklim mikro’ dan kualitas udara gedung dapat secara langsung memengaruhi produktivitas dan kinerja pengambilan keputusan penghuni gedung. Mengingat banyaknya dampak ekonomi, lingkungan, dan sosial berskala besar, pengendalian iklim mikro telah menjadi masalah penting bagi pemerintah, pengelola gedung, dan bahkan pemilik rumah.

“Generasi baru gedung pintar bertujuan untuk belajar dari data tentang cara beroperasi secara mandiri dan dengan intervensi pengguna minimum,” kata salah satu penulis Henni Ouerdane, seorang profesor di sisi kolaborasi Skoltech. “Termostat pembelajaran berpotensi dapat mempelajari cara menyesuaikan suhu titik setelnya dalam koordinasi dengan perangkat HVAC lain, atau berdasarkan prediksi tarif listriknya untuk menghemat energi dan biaya.”

Hosseinloo juga percaya metodologi dan algoritme mereka berlaku untuk beragam masalah kontrol berbasis fisika lainnya di berbagai bidang termasuk robotika, kendaraan otonom, dan transportasi, di mana efisiensi data dan komputasi adalah yang terpenting.


Cara cerdas untuk memprediksi konsumsi energi gedung


Informasi lebih lanjut:
Ashkan Haji Hosseinloo dkk. Kontrol iklim mikro berbasis data di gedung: Pendekatan pembelajaran penguatan yang dipicu oleh peristiwa, Energi Terapan (2020). DOI: 10.1016 / j.apenergy.2020.115451

Disediakan oleh Massachusetts Institute of Technology

Kutipan: Membuat termostat cerdas lebih efisien (2020, 21 Desember) diakses pada 21 Desember 2020 dari https://techxplore.com/news/2020-12-smart-thermostats-efficient.html

Dokumen ini memiliki hak cipta. Selain dari transaksi yang adil untuk tujuan studi atau penelitian pribadi, tidak ada bagian yang boleh direproduksi tanpa izin tertulis. Konten disediakan untuk tujuan informasi saja.


Halaman Ini Di Persembahkan Oleh : Lagutogel