Om prognosen kräver regn, du kommer nog packa ihop ett paraply. Om det kräver kallt, du får ta med dina vantar. Samma typ av förberedelser sker i byggnader, där sofistikerade värme- och kylsystem anpassar sig baserat på det förutsagda vädret.

Men när prognosen är ofullkomlig – som den ofta är – kan byggnader sluta slösa energi, precis som vi kan finna oss själva blöta, kall eller belastad med extra lager som vi inte behöver.

Ett nytt tillvägagångssätt utvecklat av Fengqi You, professor i energisystemsteknik vid Cornell University, förutsäger väderprognosens noggrannhet med hjälp av en maskininlärningsmodell tränad med års data om prognoser och faktiska väderförhållanden. Du kombinerade den prediktorn med en matematisk modell som tar hänsyn till byggnadsegenskaper inklusive storlek och form på rum, byggmaterialen, sensornas placering och fönstrenas position.

Resultatet är ett smart styrsystem som kan minska energianvändningen med upp till 10 procent, enligt en fallstudie som hans team genomförde på Toboggan Lodge, en nästan 90 år gammal byggnad på Cornells campus.

"Om själva byggnaden kunde vara "smart" nog för att känna till väderförhållandena, eller åtminstone på något sätt förstå lite mer om väderprognosinformationen, den skulle kunna göra bättre justeringar för att automatiskt styra sina värme- och kylsystem för att spara energi och göra passagerarna mer bekväma, " sa du, vars papper, "En datadriven robust optimeringsmetod för scenariebaserad stokastisk modell för prediktiv kontroll, "publicerad i Journal of Process Control .

"Till exempel, om jag vet att solen kommer upp väldigt snart, det ska bli varmt, då behöver jag nog inte värma upp huset så mycket. Om jag vet att en storm kommer i natt, sedan försöker jag värma upp lite så jag kan hålla en behaglig nivå, " Du sa. "Vi försöker göra energisystemet smart, så det kan förutsäga lite av framtiden och fatta de optimala besluten."

Tidningens första författare är Chao Shang, tidigare en Cornell postdoktor i Yous labb och nu biträdande professor i automation vid Tsinghua University. Ett team av masterstudenter hjälpte till att utveckla fallstudien Toboggan Lodge, förutom att samla in åratal av historisk väder- och klimatdata för att träna maskininlärningsmodellen.

Med denna information, modellen kan upptäcka osäkerhet inte bara i temperatur utan i nederbörd, solljus och skillnader i förhållanden efter plats. Baserat på graden av osäkerhet i prognosen, modellen anpassar sig därefter.

"Även det bästa väderprognossystemet kommer inte att ge dig den mest exakta informationen, "Sa du. "Pluss väderprognosinformationen är vanligtvis för en viss region men inte en specifik plats."

Genom att kombinera maskininlärningsalgoritmerna och de matematiska programmeringsmetoderna skapas ett kontrollsystem som är mer exakt och "smartare" än någon av dem skulle vara var för sig, Du sa. Ramverket har potentiella tillämpningar inom byggnadskontrollsystem och bevattningskontroll inom jordbruket, och skulle kunna användas för mer effektiv inomhusmiljökontroll i vertikala gårdar och växtfabriker som blir allt populärare i stora städer.

"Vi har inte ett perfekt sätt att förutsäga vädret, så det bästa vi kan göra är att kombinera AI och mekanistisk modellering tillsammans, "Dessa två delar har aldrig tidigare harmoniserats på ett systematiskt sätt för automatisk styrning och energihantering."