Исследования и перспективы в области энергетики жилых помещений, основанной на данных, поведения жильцов и систем интеллектуальных термостатов 

Жилые здания потребляют 17% мировой первичной энергии (данные на 2023 год), из которых почти половина используется для отопления и охлаждения помещений.Интеллектуальные термостаты, представляющие собой инновационную технологию, предоставляют исследователям беспрецедентное представление об энергопотреблении в жилых помещениях благодаря непрерывной регистрации таких данных, как температура в помещении, установленные значения, время работы системы кондиционирования и деятельность персонала (обычно с 15-минутными интервалами).Проект ecobee "Данные о пожертвованиях" (DYD) объединяет данные более чем 200 000 домохозяйств Северной Америки, что делает его одной из самых ценных баз данных в области строительной науки.

Расшифровка поведения местных жителей: от температурных предпочтений до информации о состоянии здоровья

Анализируя режим настройки термостата, исследователи обнаружили, что значение настройки обогрева не имеет ничего общего с наружными условиями, в то время как значение настройки охлаждения обычно увеличивается с повышением температуры наружного воздуха.Во время эпидемии COVID-19 канадские домохозяйства, работающие дистанционно, увеличили температуру нагрева на 0,7 °C и температуру охлаждения на 1,6 °C.Еще более поразительно, что во время эпидемии 25% домохозяйств, не использующих дистанционную работу, приобрели оборудование для кондиционирования воздуха, что было значительно выше, чем в домохозяйствах, не использующих дистанционную работу (11%).

Что касается мониторинга здоровья, исследователи разработали инновационные алгоритмы для преобразования данных о физической нагрузке с помощью термостата в показатели сна.Анализ 481 североамериканской семьи показал, что время сна в пятницу и субботу было на 30-40 минут больше, чем в будние дни, а время, проведенное дома зимой, увеличилось почти на 1 час.Во время эпидемии данные о термостатах 12 252 домохозяйств в Канаде и отчет Google Community Mobile показали сильную корреляцию в 0,67-0,73, подтверждающую потенциал этих данных в мониторинге общественного здравоохранения.

Эксплуатация системы ОВКВ: от диагностики неисправностей до интеллектуального управления

Подборка недавно опубликованных статей о технологии клеточного анализа Agilent Seahorse XF: "Не только анализируйте, что находится в клетках, но и показывайте, как они изменяются” - Используйте технологию, не содержащую маркеров, для обнаружения изменений в энергетическом обмене клеток в режиме реального времени и понимания ключевых факторов, которые управляют передачей клеточных сигналов, пролиферацией, активацией, токсичность и биосинтез.
Исследование выявило огромные различия в работе систем кондиционирования воздуха в жилых помещениях - даже при схожих климатических условиях температура точки равновесия отопления в разных домохозяйствах может отличаться на 8°C (от 10°C до 18°C).С помощью технологии моделирования "серого ящика" исследователи оценили тепловые характеристики на уровне помещения и обнаружили, что в домах с одной площадью, как правило, есть помещения с теплопотерями или аномально высокой температурой от солнца, что обеспечивает основу для целенаправленной трансформации.

С точки зрения передовых стратегий управления, модель прогнозирующего управления (MPC) продемонстрировала значительные преимущества.Моделирование показывает, что по сравнению с интенсивным обучением (RL), MPC может повысить комфорт на 30-50%.Скоординированное управление на уровне сообщества может снизить пиковую нагрузку на 19%, но исследование также предупреждает, что несогласованные интеллектуальные функции могут привести к увеличению пиковой нагрузки утром на 40%, что не соответствует кривой солнечной энергии.

Построение термодинамики: Инновационное моделирование на основе данных

Столкнувшись с проблемой отсутствия прямого измерения энергопотребления, исследователи разработали множество инновационных методов.Для оценки тепловых параметров 1443 домов с холодным климатом были использованы такие методы, как анализ точки равновесия, анализ кривой затухания и численное интегрирование дифференциальных уравнений теплопроводности.Стоит отметить, что байесовская нейронная сеть (BNN) использует структурированный дизайн, чтобы веса сети соответствовали тепловому сопротивлению (R) и теплоемкости (C), и для адаптации модели к новому дому требуется всего 1 день сбора данных.

Ограничения в отношении данных и направления на будущее

Набор данных DYD имеет несколько ключевых ограничений: отсутствие точных измерений энергопотребления систем кондиционирования воздуха (которые могут быть рассчитаны только по времени работы), информация о географическом местоположении на уровне города является слишком приблизительной, а выборка ориентирована на группы населения с высоким уровнем дохода, чувствительные к технологиям (по сравнению с данными RECS2020, небольшая дома, старые здания и домохозяйства с низким доходом недопредставлены).

Будущие исследования должны быть сосредоточены на проверке устойчивости зданий к экстремальным погодным условиям, интеграции данных интеллектуальных счетчиков для точного анализа энергопотребления, разработке алгоритмов распределенного обучения для защиты конфиденциальности и изучении возможностей внедрения технологии цифрового двойника (DT) на периферийных устройствах.По мере усиления последствий изменения климата эти результаты, основанные на больших объемах данных, станут ключевой научной основой для проектирования жилых домов, энергетической политики и стратегий общественного здравоохранения.