Методы и алгоритмы глубокого обучения для управления энергопотреблением спортивных объектов
Аннотация
В условиях климатического кризиса, вызванного глобальным потеплением и растущей стоимости энергоносителей, необходимо принимать срочные и активные меры в области энергопотребления. Государства должны минимизировать выбросы углекислого газа, а бизнес - оптимизировать расходы на энергопотребление. В связи с этим, повышение энергоэффективности играет ключевую роль в решении климатического кризиса и сокращении затрат бизнеса. В большинстве случаев, меры по улучшению энергоэффективности оказываются наиболее экономически эффективным способом борьбы с изменением климата, позволяя одновременно сократить потери энергии, сэкономить средства и обеспечить доступное расширение использования возобновляемых источников энергии. Активная цифровизация энергетической отрасли и внедрение технологий интернета вещей создают благоприятные условия для внедрения искусственного интеллекта в управление энергопотреблением. В данной статье представлен обзор технологий искусственного интеллекта (ИИ) и его потенциальное применение в управлении энергопотреблением на примере спортивного объекта - ледовой арены. Был проанализирован набор данных по энергопотреблению, собранный с реального объекта, представляющий собой многомерный временной ряд, а также рассмотрены исследования, посвященные применению нейросетевого моделирования временных рядов в управлении на основе прогноза. В совокупности эти исследования продемонстрировали потенциал ИИ в области теории управления. Большинство из них следует рассматривать как ранние пробные работы, демонстрирующие потенциал использования алгоритмов машинного обучения для решения прикладных проблем в энергопотреблении.
Литература
2. Himeur Y., Ghanem K., Alsalemi A., Bensaali F., Amira A. Artificial intelligence based anomaly detection of energy consumption in buildings: A review, current trends and new perspectives. Applied Energy. 2021;287:116601. https://doi.org/10.1016/j.apenergy.2021.116601
3. Losi G., Bonzanini A., Aquino A., Poesio P. Analysis of thermal comfort in a football stadium designed for hot and humid climates by CFD. Journal of Building Engineering. 2021;33:101599. https://doi.org/10.1016/j.jobe.2020.101599
4. Petri I., Kubicki S., Rezgui Y., Guerriero A., Li H. Optimizing energy efficiency in operating built environment assets through building information modeling: A case study. Energies. 2017;10(8):1167. https://doi.org/10.3390/en10081167
5. Park J., Choi H., Kim D., Kim T. Development of novel PMV-based HVAC control strategies using a mean radiant temperature prediction model by machine learning in Kuwaiti climate. Building and Environment. 2021;206:108357. https://doi.org/10.1016/j.buildenv.2021.108357
6. Åkesson B.M., Toivonen H.T. A neural network model predictive controller. Journal of Process Control. 2006;16(9):937-946. https://doi.org/10.1016/j.jprocont.2006.06.001
7. Amalou I., Mouhni N., Abdali A. Multivariate time series prediction by RNN architectures for energy consumption forecasting. Energy Reports. 2022;8(9):1084-1091. https://doi.org/10.1016/j.egyr.2022.07.139
8. Rick R., Berton L. Energy forecasting model based on CNN-LSTM-AE for many time series with unequal lengths. Engineering Applications of Artificial Intelligence. 2022;113:104998, https://doi.org/10.1016/j.engappai.2022.104998
9. Kusdinar Y., Cahyani D., Mardiana R. Objective Thermal Comfort of Sport Facilities. In: Proceedings of the 3rd International Conference on Sport Science, Health, and Physical Education (ICSSHPE 2018). Advances in Health Sciences Research. Atlantis Press; 2019. p. 51-55. https://doi.org/10.2991/icsshpe-18.2019.14
10. Song C., Jing W., Zeng P., Yu H., Rosenberg C. Energy consumption analysis of residential swimming pools for peak load shaving. Applied Energy. 2018;220:176-191. https://doi.org/10.1016/j.apenergy.2018.03.094
11. Refaat S.S., Abu-Rub H., Kezunovic O.E.M. A novel smart energy management system in sports stadiums. In: 2016 18th European Conference on Power Electronics and Applications (EPE’16 ECCE Europe). Karlsruhe, Germany: IEEE Computer Society; 2016. p. 1-8. https://doi.org/10.1109/EPE.2016.7695647
12. Li Y., Nord N., Zhang N., Zhou C. An ANN-based optimization approach of building energy systems: Case study of swimming pool. Journal of Cleaner Production. 2020;277:124029. https://doi.org/10.1016/j.jclepro.2020.124029
13. Lu T., Lü X., Viljanen M. Prediction of water evaporation rate for indoor swimming hall using neural networks. Energy and Buildings. 2014;81:268-280. https://doi.org/10.1016/j.enbuild.2014.06.027
14. Santos E.T., Zárate l.E., Pereira E.M. Hybrid thermal model for swimming pools based on artificial neural networks for southeast region of Brazil. Expert Systems with Applications. 2013;40(8):3106-3120. https://doi.org/10.1016/j.eswa.2012.12.026
15. Yoon H.-J., Lee D.-S., Cho H., Jo J.-H. Prediction of Thermal Environment in a Large Space Using Artificial Neural Network. Energies. 2018;11(2):418. https://doi.org/10.3390/en11020418
16. Xiao-wei X. Study on the intelligent system of sports culture centers by combining machine learning with big data. Personal and Ubiquitous Computing. 2020;24:151-163. https://doi.org/10.1007/s00779-019-01307-z
17. Bouabdallaoui Y., Lafhaj Z., Yim P., Ducoulombier L., Bennadji B. Predictive Maintenance in Building Facilities: A Machine Learning-Based Approach. Sensors. 2021;21(4):1044. https://doi.org/10.3390/s21041044
18. Camacho E.F., Bordons C. Model Predictive Control. Advanced Textbooks in Control and Signal Processing. Springer Science & Business Media; 2013. 405 p. https://doi.org/10.1007/978-0-85729-398-5
19. Zhan S., Chong A. Data requirements and performance evaluation of model predictive control in buildings: A modeling perspective. Renewable and Sustainable Energy Reviews. 2021;142:110835. https://doi.org/10.1016/j.rser.2021.110835
20. Hou J., Li H., Nord N., Huang G. Model predictive control under weather forecast uncertainty for HVAC systems in university buildings. Energy and Buildings. 2022;257:111793. https://doi.org/10.1016/j.enbuild.2021.111793
21. Joe J., Karava P. A model predictive control strategy to optimize the performance of radiant floor heating and cooling systems in office buildings. Applied Energy. 2019;245:65-77. https://doi.org/10.1016/j.apenergy.2019.03.209
22. Fotopoulou M.C., Drosatos P., Petridis S., Rakopoulos D., Stergiopoulos F., Nikolopoulos N. Model predictive control for the energy management in a district of buildings equipped with building integrated photovoltaic systems and batteries. Energies. 2021;14(12):3369. https://doi.org/10.3390/en14123369
23. Li W., Xie L., Wang Z. Two-loop covert attacks against constant value control of industrial control systems. IEEE Transactions on Industrial Informatics. 2019;15:663-676. https://doi.org/10.1109/TII.2018.2819677
24. Feng X., Weng C., He X., Han X., Lu L., Ren D., Ouyang M. Online state-of-health estimation for Li-Ion battery using partial charging segment based on support vector machine. IEEE Transactions on Vehicular Technology. 2019;68:8583-8592. https://doi.org/10.1109/TVT.2019.2927120
25. Martínez F., Frías M.P., Pérez M.D., Rivera A.J. A methodology for applying k-nearest neighbor to time series forecasting. Artificial Intelligence Review. 2019;52:2019-2037. https://doi.org/10.1007/s10462-017-9593-z
26. Yu Z., Haghighat F., Fung B.C., Yoshino H. A decision tree method for building energy demand modeling, Energy and Buildings. 2010;42(10):1637-1646. https://doi.org/10.1016/j.enbuild.2010.04.006
27. Cotrufo N., Saloux E., Hardy J., Candanedo J., Platon R. A practical artificial intelligence-based approach for predictive control in commercial and institutional buildings. Energy and Buildings. 2020;206:109563. https://doi.org/10.1016/j.enbuild.2019.109563
28. Wang J., Li S., Chen H., Yuan Y., Huang Y. Data-driven model predictive control for building climate control: Three case studies on different buildings. Building and Environment. 2019;160:106204. https://doi.org/10.1016/j.buildenv.2019.106204
29. Ferreira P., Ruano A., Silva S., Conceicao E. Neural networks based predictive control for thermal comfort and energy savings in public buildings. Energy and Buildings. 2012;55:238-251. https://doi.org/10.1016/j.enbuild.2012.08.002
30. Privara S., Široky J., Ferkl L., Cigler J. Model predictive control of a building heating system: The first experience. Energy and Buildings. 2011;43(2-3):564-572. https://doi.org/10.1016/j.enbuild.2010.10.022
31. Mtibaa F., Nguyen K.-K., Dermardiros V., Cheriet M. A Model Predictive Control for Heat Supply at Building Thermal Inlet Based on Data-Driven Model. Buildings. 2022;12(11):1879. https://doi.org/10.3390/buildings12111879
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
Редакционная политика журнала основывается на традиционных этических принципах российской научной периодики и строится с учетом этических норм работы редакторов и издателей, закрепленных в Кодексе поведения и руководящих принципах наилучшей практики для редактора журнала (Code of Conduct and Best Practice Guidelines for Journal Editors) и Кодексе поведения для издателя журнала (Code of Conduct for Journal Publishers), разработанных Комитетом по публикационной этике - Committee on Publication Ethics (COPE). В процессе издательской деятельности редколлегия журнала руководствуется международными правилами охраны авторского права, нормами действующего законодательства РФ, международными издательскими стандартами и обязательной ссылке на первоисточник.
Журнал позволяет авторам сохранять авторское право без ограничений. Журнал позволяет авторам сохранить права на публикацию без ограничений.
Издательская политика в области авторского права и архивирования определяются «зеленым цветом» в базе данных SHERPA/RoMEO.
Все статьи распространяются на условиях лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная, которая позволяет другим использовать, распространять, дополнять эту работу с обязательной ссылкой на оригинальную работу и публикацию в этом журналe.
