چرا باید ارتباط بین بخشهای ساختمان را جدی بگیریم؟
مدیریت انرژی در ساختمان دیگر صرفاً به کاهش مصرف برق یا تنظیم دمای سیستم HVAC محدود نمیشود. ساختمانهای مدرن مجموعهای از فضاها، تجهیزات و سامانههای بههمپیوسته هستند که رفتار هر بخش میتواند بر بخشهای دیگر اثر بگذارد.
در چنین شرایطی، یکی از مهمترین نیازهای مدیران انرژی، پیشبینی دقیق مصرف انرژی است؛ زیرا پیشبینی مناسب میتواند مبنایی برای کنترل HVAC، مدیریت بار، بهینهسازی مصرف و تصمیمگیریهای راهبردی قرار گیرد.
چرا پیشبینی مصرف انرژی ساختمان دشوار است؟
در نگاه اول ممکن است تصور کنیم برای مدیریت انرژی یک ساختمان کافی است مصرف کل ساختمان را اندازهگیری و بر اساس دادههای گذشته، مصرف آینده را پیشبینی کنیم.
اما یک ساختمان پیچیده را نمیتوان همیشه یک موجودیت یکپارچه در نظر گرفت.
برای مثال، دمای یک فضای اداری میتواند تحت تأثیر فضای مجاور، وضعیت سیستم تهویه، تعداد افراد حاضر، تجهیزات الکتریکی و شرایط محیطی قرار بگیرد. بنابراین دو ناحیه که در یک ساختمان قرار دارند، الزاماً رفتار انرژی مستقلی ندارند.
از مدلهای سنتی تا هوش مصنوعی
برای پیشبینی انرژی ساختمان بهطور کلی دو رویکرد وجود دارد:
۱. مدلهای مبتنی بر فیزیک ساختمان
در این روشها رفتار حرارتی ساختمان با استفاده از اصول فیزیکی و ترمودینامیکی مدلسازی میشود.
پارامترهایی مانند:
- شرایط آبوهوایی
- موقعیت ساختمان
- پوسته ساختمان
- تعداد ساکنان
- روشنایی
- تجهیزات
- مشخصات HVAC
- برنامه بهرهبرداری
میتوانند وارد مدل شوند.
مزیت این روشها، ارتباط مستقیم با رفتار فیزیکی ساختمان است؛ اما تعداد زیاد پارامترها و نیاز به اطلاعات دقیق میتواند فرآیند مدلسازی را پیچیده و زمانبر کند.
۲. مدلهای مبتنی بر داده
در این رویکرد، به جای مدلسازی کامل فیزیک ساختمان، از دادههای تاریخی برای پیدا کردن الگوهای مصرف استفاده میشود.
الگوریتمهایی مانند SVM، شبکههای عصبی مصنوعی و RNN از نمونههای این رویکرد هستند. این مدلها میتوانند با تعداد کمتری از پارامترهای ورودی، روابط پیچیده موجود در دادهها را یاد بگیرند.
اما یک سؤال مهم باقی میماند:
اگر خود ساختمان دارای روابط و ارتباطات پیچیده باشد، چرا دادههای آن را هم به شکل یک شبکه از روابط مدل نکنیم؟
اینجاست که GNN وارد میشود.
GNN چیست و چه ارتباطی با مدیریت انرژی دارد؟
شبکه عصبی گرافی یا Graph Neural Network (GNN) نوعی مدل یادگیری عمیق است که برای دادههایی طراحی شده که بین اجزای آنها رابطه وجود دارد.
در یک گراف، دو مفهوم اصلی داریم:
گره (Node) و یال (Edge).
در مدل پیشنهادی، میتوان هر ناحیه از ساختمان را یک گره در نظر گرفت و ارتباط میان نواحی را با یال نمایش داد.
در نتیجه، ساختمان دیگر فقط مجموعهای از دادههای مستقل نیست؛ بلکه به یک شبکه از نواحی مرتبط تبدیل میشود.
ساختمان را به یک گراف تبدیل کنیم
فرض کنید یک ساختمان چندین طبقه دارد و هر طبقه از چند ناحیه تشکیل شده است.
در این روش:
- هر ناحیه = یک گره
- ارتباط فضایی بین نواحی = یال
- مصرف انرژی = ویژگی گره
- دما = ویژگی گره
- رطوبت = ویژگی گره
- اختلاف دمای دو ناحیه = ویژگی یال
این تغییر دیدگاه اهمیت زیادی دارد. به جای اینکه بگوییم:
«مصرف این اتاق چقدر خواهد بود؟»
مدل میتواند بپرسد:
«مصرف این اتاق با توجه به شرایط خودش و شرایط نواحی مرتبط با آن چقدر خواهد بود؟»
GCN چگونه به مدیر انرژی کمک میکند؟
Graph Convolutional Network یا GCN یکی از انواع GNN است که میتواند اطلاعات یک گره و همسایگان آن را با یکدیگر ترکیب کند.
در عمل، این یعنی مدل هنگام پیشبینی مصرف انرژی یک ناحیه، فقط به دادههای همان ناحیه نگاه نمیکند؛ بلکه اطلاعات نواحی مرتبط را نیز در نظر میگیرد.
این ویژگی برای ساختمانهایی که دارای تعاملات حرارتی و انرژی پیچیده هستند، اهمیت ویژهای دارد. مقاله نیز دلیل انتخاب GCN را توانایی آن در درک ساختار محلی و ارتباطات گراف عنوان میکند.
مدل پیشنهادی چگونه کار میکند؟
این فرآیند را میتوان برای مدیران انرژی در دو مرحله ساده خلاصه کرد:
مرحله اول: ساخت مدل دیجیتال ساختمان
ساختمان به چند ناحیه تقسیم میشود.
برای هر ناحیه دادههایی مانند مصرف انرژی، دما و رطوبت جمعآوری میشود و روابط میان نواحی نیز مشخص میشود.
مرحله دوم: آموزش مدل هوش مصنوعی
اطلاعات گراف وارد مدل GCN میشود.
مدل با مشاهده دادههای گذشته، روابط میان نواحی و الگوهای مصرف را یاد میگیرد و سپس مصرف انرژی آینده را پیشبینی میکند.
دادههایی که برای چنین سیستمی لازم است
یکی از نکات مهم برای مدیران انرژی این است که هوش مصنوعی بدون داده مناسب، راهحل جادویی نیست.
در این مطالعه، دادههایی مانند:
- مصرف برق
- دما
- رطوبت
- نور محیط
- دادههای مربوط به نواحی ساختمان
استفاده شده است. این نکته برای مدیران مهم است: کیفیت و ساختار دادهها یکی از پیشنیازهای اصلی اجرای موفق سیستمهای مدیریت انرژی مبتنی بر AI است.
این فناوری چه معنایی برای مدیران انرژی دارد؟
برای مدیران حوزه انرژی، ارزش GCN صرفاً در «دقیقتر شدن یک الگوریتم» خلاصه نمیشود.
موضوع مهمتر، تغییر نحوه نگاه به ساختمان است.
در یک سیستم سنتی ممکن است مصرف هر ناحیه جداگانه بررسی شود.
اما در یک سیستم مبتنی بر گراف، ساختمان بهعنوان مجموعهای از اجزای مرتبط دیده میشود.
این نگاه میتواند زمینه را برای کاربردهایی مانند:
پیشبینی بار
پیشبینی مصرف آینده میتواند به برنامهریزی بهتر برای تأمین انرژی و مدیریت بار کمک کند.
بهینهسازی HVAC
پیشبینی دقیقتر مصرف نواحی میتواند اطلاعات بیشتری برای کنترل سیستمهای گرمایش، سرمایش و تهویه فراهم کند.
مدیریت تقاضا
پیشبینی الگوی مصرف میتواند در تصمیمگیری درباره زمان و نحوه کاهش یا جابهجایی بار مورد استفاده قرار گیرد.
شناسایی رفتارهای غیرعادی
اگر مصرف واقعی یک ناحیه به شکل معناداری با مصرف پیشبینیشده متفاوت باشد، میتوان آن را بهعنوان یک سیگنال برای بررسی بیشتر در نظر گرفت.
یک محدودیت مهم: مقیاسپذیری
یکی از مهمترین نکاتی که مدیران باید هنگام بررسی چنین فناوریهایی در نظر بگیرند، مسئله مقیاس است.
هرچه ساختمان بزرگتر و تعداد نواحی بیشتر شود، تعداد گرهها و یالهای گراف نیز افزایش پیدا میکند.
مطالعات نشان میدهد افزایش ابعاد ساختمان میتواند زمان شبیهسازی را افزایش دهد و در ساختمانهای بزرگتر ممکن است نیاز به روشهای مقیاسپذیری و بهینهسازی الگوریتم وجود داشته باشد.
بنابراین سؤال درست برای یک مدیر انرژی این نیست که:
«آیا GCN دقیق است؟»
بلکه باید پرسید:
«آیا GCN برای مقیاس، کیفیت داده و زیرساخت ساختمان من قابلاجراست؟»
مسیر پیشنهادی برای ورود به مدیریت انرژی مبتنی بر AI
برای یک سازمانی که قصد دارد از هوش مصنوعی در مدیریت انرژی استفاده کند، میتوان مسیر را به شکل زیر دید:
۱. جمعآوری داده
۲. تفکیک ساختمان به نواحی
۳. ایجاد ارتباط میان نواحی
۴. پاکسازی و آمادهسازی داده
۵. آموزش مدل
۶. ارزیابی دقت
۷. استفاده از پیشبینی در تصمیمگیری انرژی
نکته مهم این است که AI باید مرحلهای از یک سیستم مدیریت انرژی باشد، نه اینکه جایگزین کل سیستم مدیریت انرژی شود.
جمعبندی
آینده مدیریت انرژی ساختمان فقط به اندازهگیری مصرف محدود نخواهد بود؛ توانایی پیشبینی و درک روابط میان اجزای ساختمان اهمیت فزایندهای خواهد داشت.
شبکههای عصبی گرافی، بهویژه GCN، یک رویکرد متفاوت ارائه میکنند: ساختمان را نه بهعنوان یک مجموعه داده مستقل، بلکه بهعنوان شبکهای از نواحی مرتبط با یکدیگر مدل میکنند.
مطالعه نشان میدهد که این رویکرد میتواند برای پیشبینی مصرف انرژی در سطح ناحیه عملکرد مناسبی داشته باشد و اثر تعامل میان نواحی و اختلاف دمای آنها را نیز در مدل وارد کند.
برای مدیران انرژی، پیام اصلی روشن است:
هرچه ساختمانها هوشمندتر و پیچیدهتر میشوند، مدیریت انرژی نیز به مدلهایی نیاز دارد که پیچیدگی و ارتباط میان اجزای ساختمان را درک کنند.
