I en tid av åldrande infrastruktur och allt smartare kontroll av byggnader, förmågan att förutsäga hur byggnader använder energi – och hur mycket energi de använder – har förblivit svårfångad, tills nu.

Forskare från Saudiarabien, Kina och USA samarbetade för att utveckla ett smartare sätt att förutsäga energianvändning genom en metod som involverade artificiella system, beräkningsexperiment och parallell beräkning. De publicerade sina resultat i IEEE/CAA Journal of Automatica Sinica .

"Rent generellt, det är utmanande att förutsäga byggnaders energiförbrukning just på grund av många inflytelserika miljöfaktorer som är kopplade till energikonsumtion som utomhustemperatur, fuktighet, veckodagen, och speciella evenemang, sa Abdulaziz Almalaq, pappersförfattare och biträdande professor vid institutionen för elektroteknik vid University of Hails Engineering College i Saudiarabien.

"Medan miljöparametrar är användbara resurser för att förutsäga energiförbrukning, förutsägelse med hjälp av ett stort antal av en byggnads driftsparametrar, såsom rumstemperatur, vitvaror och värme, ventilation, och parametrar för luftkonditioneringssystem (HVAC), är ett ganska komplicerat problem, jämfört med förutsägelse med endast historiska data."

Enligt Almalaq, miljöparametrarna är användbara men begränsade. Till exempel, två identiska byggnader i identiska miljöer kan ha mycket olika energiförbrukning beroende på hur byggnaderna används. Även om båda byggnaderna hålls vid samma temperatur, en byggnads VVS-system kommer att behöva använda mer energi om den byggnaden håller ett event med några hundra personer.

"Den exakta förutsägelsen av energiförbrukningen vid en specifik tidpunkt under många yttre och inre förhållanden blir ett viktigt steg för att förbättra energieffektiviteten och förvaltningen i en smart byggnad, sa Almalaq.

Almalaq och hans team använde hybrid djupinlärningsalgoritmer, i kombination med konstgjorda system, beräkningsexperiment och parallell beräkningsteori baserad på komplexa, men generisk, system. När den testades med riktig byggnad vid University of Colorado Denver, metoden bidrog avsevärt till att förbättra energihanteringen.

"Analysen som utfördes i detta dokument visade att hybridmodellen för djupinlärning är ett kraftfullt verktyg för artificiell intelligens för att modellera multivariabla komplexa system, ", sa Almalaq. "Det har potential att användas inom olika områden, som det smarta kontoret, det smarta hemmet och den smarta staden."