Машинное обучение для модернизации

Уровень развития

Ремонт и модернизация старых зданий и современное машинное обучение — не самый распространенный брак. Так же, как это заставило бы канадца задуматься, увидев, как полярный медведь и пингвин живут в гармонии друг с другом. Тем не менее, марш устойчивого развития продолжается, и моя роль младшего исследователя в группе «Энергия в городах» Университета Виктории дала мне опыт в понимании взаимосвязи между старым и новым. Машинное обучение можно использовать для выявления потенциально ценных целей реконструкции на уровне района, провинции или даже на федеральном уровне, а также для определения стратегий, в отношении которых модернизация будет иметь наибольшее влияние.

Я в восторге от широты целей лаборатории. Зачем моделировать производительность одного здания, когда есть технологии и методы для тестирования тысяч? Ниже описаны некоторые этапы этого процесса, а также отмечен вклад и кропотливая работа моих коллег в лаборатории и коллег в полевых условиях. Надеюсь, читатели простят меня за краткость описания различных аспектов исследования. Эта статья призвана быть более коммуникативной, чем строгий академический документ, обеспечивая понимание этих концепций, когда они неизбежно возникают в личных и профессиональных условиях.

Сообщества

Разобравшись до самого необходимого, нам нужно представить, что мы смотрим свысока на типичное сообщество, пытающееся решить, какие здания являются лучшими кандидатами для обновления с нашими ограниченными ресурсами. Это делает атаку зданий с самой низкой производительностью в первую очередь хорошей стратегией, поскольку она обеспечивает пропорционально большее воздействие.

Существует множество подходов машинного обучения к расчету оценки либо энергопотребления данного здания, либо его пригодности для ремонта. В этом ключе мы видели проекты, в которых компьютерное зрение применялось к Google Streetview или спутниковым снимкам. Эти методы имеют относительно высокие входные барьеры из-за необходимости обширной предварительной обработки данных перед обучением и высокой вычислительной стоимости во время выполнения. Данные построения временных рядов более доступны, поэтому обучение рекуррентных нейронных сетей, специализирующихся на классификации и прогнозировании последовательностей, имеет ряд привлекательных преимуществ.

RRN могут считаться одной из самых абстрактных вещей для понимания в машинном обучении. Если предположить, что читатель знает что-то, слои RNN имеют некоторое сходство со стандартным линейным слоем (нейроном), но с добавлением памяти состояний. Эта память состояния используется, когда последовательность выборок подается на слой по одному временному шагу за раз. По мере того, как временные шаги накапливаются в памяти состояния слоя, они постоянно сравниваются с выходными данными обучения для выборки и обновляются веса слоя, чтобы зафиксировать, как ведет себя вся последовательность, чтобы получить известный результат во время обучения. Таким образом, могут быть обнаружены скрытые знания из одного и того же временного ряда или набора временных рядов.

В приложении, описанном в статье Нацеливание зданий на энергетическую модернизацию с использованием рекуррентных нейронных сетей с многомерными временными рядами (2019 г.), авторы использовали RNN для анализа потребления электроэнергии зданием вместе с выбором метаданных о здании. Они использовали эту информацию, во-первых, для классификации системы отопления здания и, во-вторых, для прогнозирования тепловых характеристик оболочки здания. Замалчивая многие детали, модель RNN, по сути, отображает многомерный временной ряд, содержащий такие характеристики, как внутренняя температура и потребление энергии, с категориальными переменными известных систем отопления и свойствами оболочки, содержащимися в обучающих данных. Для развертывания такой технологии нужно ввести в модель временные ряды неизвестного здания, и сеть выполнит оценку его системы отопления или тепловых свойств. Для тех, кто работает со всеми этими технологиями, это может быть более эффективным подходом.

Здания-кандидаты

Я не уверен, насколько распространено занятие людей, занятых в архитектуре и инженерии, когда они ходят по окрестностям и рефлекторно отмечают возраст и состояние зданий вокруг них. Конечно, это то, в чем я признаюсь. Однако, столкнувшись с тем, что не так много улиц, по которым можно было бы пройти, в приведенном выше разделе описывалось, как мы можем эффективно находить здания-кандидаты, не проверяя каждую улицу, проспект, укромный уголок и щель. Теперь, найдя здание-кандидат для потенциального ремонта, мои коллеги по лаборатории также исследовали методы обнаружения наиболее рентабельных обновлений для указанного целевого здания.

Наша лаборатория исследовала методы, рассматривая здания-кандидаты и прогнозируя, какие обновления будут наиболее эффективными и экономически эффективными. Один из подходов, описанный в статье Использование множественной линейной регрессии для оценки снижения энергопотребления при модернизации зданий (2018), объединяет методы моделирования и оптимизации. Метод использует методы множественной линейной регрессии для последующего построения кривых предельных издержек. Линейная регрессия определяет простую связь между независимой переменной и зависимой переменной. Множественная линейная регрессия расширяет это, связывая несколько независимых переменных с одной зависимой переменной. В этом случае независимыми переменными являются всевозможные метаданные здания, и они уравновешиваются потреблением энергии и стоимостью. Кривые предельного сокращения выбросов — это способ измерения и визуализации компромиссов, чтобы затем предсказать наилучшую стратегию реконструкции. Детали того, как это работает механически, потребуют много полировки и шумихи, чтобы сделать их интересными, но результаты значительны для укрепления известных путей к декарбонизации, которые будут обсуждаться в следующем разделе.

Подтвердив некоторые из приведенных выше выводов совершенно другим способом, наши коллеги из ETH Zürich (с которыми я связан через своего руководителя доктора Ральфа Эвинса) использовали более простой подход для поиска экономически эффективных решений по модернизации. Мы часто просматриваем связанную работу в поисках идей и рекомендаций, а в Основанная на машинном обучении структура для экономичной модернизации зданий (2021 г.) мы можем многое узнать о прогнозировании энергопотребления с помощью RNN и выборе функций на за основу здания.

Выбор функций — неизбежное зло в машинном обучении, и эта статья действительно посвящена ему. Тема тесно переплетена с анализом чувствительности и может значительно снизить вычислительную нагрузку расчета, если во время обучения в нейронную сеть подаются только самые важные данные. При попытке аппроксимировать сложное поведение при таком подходе существует небольшой риск избавиться от данных, которые модель могла бы счесть полезными. Однако на практике снижение точности незначительно по сравнению с увеличением вычислительной эффективности.

Эта работа интересна высоким разрешением их прогнозируемого поведения после модернизации. Многие подходы суммируют предсказанную экономию энергии, Chirag Deb et al. работа, с другой стороны, возвращает временной ряд. Выходные данные будут очень похожими, так как поведение пользователей при потреблении энергии и тепла будет одинаковым, однако суммы должны различаться в зависимости от степени энергосбережения.

Выводы

Когда и где использовать такие методы и как сбалансировать компромиссы между одним алгоритмом и другим, следует рассматривать в контексте каждого проекта. Тем не менее, выводы, сделанные в двух приведенных выше статьях для отдельных зданий (наряду со многими другими вспомогательными документами из литературы, чтобы действительно донести мысль) согласуются в предложении двух общих стратегий. Хотя заявленные улучшения различаются по величине, математика ясна; в модернизированном здании можно ожидать снижения затрат на энергию и отопление более чем на 30% за счет 1) модернизации ограждающих конструкций и 2) модернизации тепловых насосов.

Поскольку Канада поворачивается к электрификации всего и более широкому использованию возобновляемых источников энергии, тепловые насосы играют важную роль в сокращении выбросов парниковых газов и существующего фонда зданий. В Британской Колумбии отличный климат и возобновляемая электроэнергия для работы теплового насоса, хотя в Канаде принято, что зимой потребуется дополнительное отопление, когда температура выходит за пределы оптимального диапазона нагрева систем теплового насоса. С другой стороны, по мере того, как климатические изменения продолжаются, а лето становится все жарче, многие будут приветствовать преимущества кондиционирования воздуха, которые обеспечивает тепловой насос.

Модернизация здания с помощью системы теплового насоса может быть обременительной, но модернизация ограждающих конструкций существующего здания действительно обширна. Качество установки изоляции и воздушного барьера прошлых десятилетий может быть сомнительным из-за иногда сложных и трудных строительных условий, возникающих на месте, кроме того, эти системы могут со временем ухудшаться, снижая производительность по сравнению с первоначальным проектным замыслом. Специализированные ремонтные фирмы сегодня пытаются сделать его как можно более гладким для владельцев зданий, но ничто не может преодолеть временную боль, связанную с переделкой экстерьера здания.

Я не чувствую себя ошеломленным, когда размышляю о том, насколько велик существующий канадский фонд зданий, или о количестве деталей, которые реально учитываются при планировании модернизации здания. Я чувствую себя хорошо вооруженным инструментами, необходимыми для стратегического сужения масштаба, чтобы нацелиться на ремонт с высокой стоимостью. Проект Rebuild, предпринятый нашей лабораторией, направлен на дальнейшее формирование, поддержку и расширение этих усилий в ближайшие годы. Предполагая высокую степень поглощения, Британская Колумбия может ожидать снижения выбросов зданий на 51% к 2030 году. Это значительная сумма, учитывая, что на здания приходится около 40% общих выбросов парниковых газов в Канаде.

об авторе

Блэр живет в Ванкувере, Британская Колумбия. и в настоящее время является младшим научным сотрудником группы Energy in Cities в Университете Виктории. Подпишитесь на него в Instagram или свяжитесь с ним в Linkedin.