В 2020 году зданиями управляют данные не меньше, чем люди

Тема энергоэффективных зданий продолжает возникать. На этой неделе я разговаривал с генеральным директором компании по моделированию городов о потенциальных способах, которыми их продукт может быть связан с этой целью как на жилом, так и на коммерческом уровне. На местной конференции по борьбе с изменением климата в конце прошлого года большая часть сессии была посвящена тому, чтобы здания потребляли меньше энергии, что-то с уменьшающейся отдачей от климата по мере декарбонизации энергии и с относительно низким климатическим значением уже в юрисдикции с 15 граммами CO2-экв. за кВтч электроэнергии.

Но это не значит, что эффективность строительства не имеет существенных преимуществ даже в самом конце игры - декарбонизации и электрификации всего, - финале, до которого мы еще очень далеки. Повышение эффективности сегодня окупится с точки зрения климата и затрат на следующие 20–30 лет, и хотя я прогнозирую снижение цен на электроэнергию в 2050 году, эффективность все равно будет дешевле, чем альтернатива. Тенденция зависимости климата от рентабельности будет также различаться в каждой юрисдикции, при этом в одной из соседних юрисдикций по-прежнему наблюдается 800 граммов CO2-экв. На кВтч, а новое правительство гораздо менее привержено сокращению этой цифры.

И здесь на помощь приходит машинное обучение. Несколько компаний используют эту технологию для оптимизации энергопотребления в зданиях.

Начнем наш тур с EP&T Global. Основанная в Австралии в 1993 году, компания на протяжении последних 27 лет занимается вопросами повышения энергоэффективности коммерческих зданий и использования водных ресурсов. Он работает по всему миру, поэтому зарабатывает глобальное признание в своем названии. Установки датчиков и программного обеспечения EdgeZeus IoT по всему миру ежегодно приносят ему 4,5 миллиарда наборов данных о производительности коммерческих зданий, что дает ему большой набор данных, который можно добыть для максимальной оптимизации. И это так. Компания применяет машинное обучение к данным, чтобы отделить сигнал от шума и определить комбинацию изменений, имеющих наибольшее значение для зданий своих клиентов, как с точки зрения непосредственных условий окружающей среды, так и с точки зрения более значительных вмешательств.

Verdigris, следующая остановка в нашем туре, - это новая компания, созданная на основе Интернета вещей и расширенной аналитики в районе залива Сан-Франциско в 2011 году. Она добилась наибольшего успеха в гостиничной индустрии и технологических компаниях благодаря своим быстро установленным датчикам Интернета вещей, которые зажимать электрические цепи. Компания заявляет, что потребление энергии сокращается на 20% -50%, и, кроме того, эти результаты лучше, чем у конкурентов, благодаря выборке 8000 раз в секунду. Это позволяет ему выявлять проблемы, которые упускают другие, и делает машинное обучение для сортировки сигнала от шума критическим компонентом.

Возвращаясь в Австралию, мы обнаруживаем Exergenics, у которого другой фокус: оптимизация коммерческого кондиционирования воздуха и охлаждения. Компания собирает существующие данные управления зданием, создает цифрового двойника технологии охлаждения, а затем использует машинное обучение и собственные алгоритмы для определения оптимальной последовательности и балансировки нагрузки для фактического рабочего профиля здания на основе его истории. Как и многие из этих решений, они связывают внешние условия окружающей среды и данные о зданиях в реальном времени, чтобы все было оптимальным.

Затем мы сядем в самолет и полетим в Великобританию, в кембриджскую фирму geo. Он находится в другом масштабе в спектре, работая над тем, чтобы сделать дома максимально эффективными и комфортными за счет зонированного отопления и управления горячей водой. Компания связала машинное обучение с другой частью проблемного пространства в рамках партнерства с норвежским поставщиком энергии Istad Kraft, оптимизируя затраты на электроэнергию. Весь портфель установленных решений Cosy нагревает воду, когда электричество дешево, поддерживает комфортную температуру для домовладельцев и дает им оповещения и контроль приложений для смартфонов, чтобы сбалансировать комфорт и стоимость.

На этот раз небольшой прыжок в Дублин, Ирландия, в Wattics, еще один стартап 2011 года. Его основным продуктом является облачная панель управления, которая объединяет, анализирует и отображает данные о потреблении энергии для предприятий. Компания использует белые этикетки для своих продуктов для консультаций и продает их коммунальным предприятиям и, конечно же, корпоративным энергетическим менеджерам. Большинство его клиентов находятся в Великобритании, а еще больше - в Ирландии, но он также сумел закрепиться в Латинской Америке и расширяется. Частью его облачного портфеля является компонент машинного обучения для расширенной аналитики и выявления возможностей повышения эффективности.

После незавершенного тура по Британским островам мы вернемся в Австралию, которая превосходит все свои возможности благодаря компаниям, занимающимся повышением эффективности машинного обучения. Этим примером породы является Темпус. Его цель - управление спросом с целью согласования как с низкими затратами на электроэнергию, так и с низкоуглеродными источниками.

«Технология Tempus использует интеллектуальные элементы управления, работающие с нашим машинным обучением (ИИ), чтобы прогнозировать рыночные цены и автоматически корректировать потребление энергии, не критичное по времени, в более чистое и дешевое время».

Компания успешно завершила испытания в Австралии и Южной Африке и расширяет их на национальном уровне, обеспечивая гибкость энергопотребления в десятки МВт при одновременном сокращении выбросов углерода клиентами на заявленный 21%.

А теперь поехали в другой Кембридж, в Массачусетс, США, где Julia Computing начинает работу над инициативой по машинному обучению для Агентства перспективных исследовательских проектов Министерства энергетики США (ARPA-E). В центре внимания этой финансируемой инициативы снова оптимизация нагрузок на системы отопления, вентиляции и кондиционирования воздуха. Что интереснее, чем еще одна инициатива машинного обучения HVAC, так это ее происхождение. Julia - это на самом деле высокопроизводительный аналитический язык с открытым исходным кодом, оптимизированный для таких вещей, как машинное обучение. У него было более 10 миллионов загрузок, и у него есть крупные пользователи, такие как Blackrock, который с активами в 7 триллионов долларов является крупнейшим в мире инвестиционным фондом, и который недавно попал в заголовки газет, объявив о переводе своего огромного портфеля на завершение инвестиций, которые имеют Высокий риск устойчивости. В комплект Julia входят графические процессоры для машинного обучения NVidia. Альянс по моделированию климата Калифорнийского технологического института недавно объявил, что Джулия будет языком для следующего раунда его многомиллионной климатической модели. Такое происхождение означает, что очень надежная модель может появиться быстро и потенциально будет широко доступна без коммерческих условий. Пока рано говорить наверняка, но это может в целом изменить правила игры для повышения эффективности HVAC.

Есть еще. 75F из Миннесоты - это управляемая система здания с поддержкой машинного обучения. Mixergy имеет интеллектуальный водонагреватель. Evolve Energy на самом деле представляет собой современное коммунальное предприятие, использующее машинное обучение для оптимизации потребительского спроса с помощью дешевой возобновляемой энергии с очень низкими накладными расходами. Несомненно, их больше существует в Китае, что обеспечивает большую эффективность этого огромного рынка и, вероятно, других азиатских стран. И, несомненно, появится больше.