Прогнозирующие алгоритмы от Buildingiq для оптимизации энергозатрат на овкв в больших зданиях



Скачать 67.18 Kb.
Дата27.10.2016
Размер67.18 Kb.


Прогнозирующие алгоритмы от BuildingIQ для оптимизации энергозатрат на ОВКВ в больших зданиях

Устойчивые численные алгоритмы MATLAB, его богатые средства визуализации и анализа, безотказные операции оптимизации, поддержка объектно-ориентированного программирования и возможность запуска в облаке совместно с нашими прикладными приложениями на Java, помогли нам ускорить НИОКР и процесс развертывания”

Borislav Savkovic, BuildingIQ


Затраты на электроэнергию больших коммерческих зданий можно снизить на 10-25% с помощью системы оптимизации энергии от BuildingIQ
.


Офисные здания, больницы и другие большие коммерческие здания потребляют около 30% все мировой электроэнергии. Системы отопления, вентиляции, кондиционирования воздуха (ОВКВ) этих зданий часто неэффективны, т.к. не учитывают изменения погоды, переменные затраты на электроэнергию, а также теплотехнические свойства здания.

BuildingIQ разработала Predictive Energy Optimization™ (PEO), облачную вычислительную платформу для снижения потребления энергии на ОВКВ на 10-25% при штатной эксплуатации. PEO был разработан при поддержке Государственного объединения научных и прикладных исследований (CSIRO), национального научного агентства Австралии. Передовые алгоритмы и методы машинного обучения, реализованные в MATLAB, постоянно оптимизируют работу ОВКВ, ориентируясь на краткосрочные прогнозы погоды и информацию о стоимости электроэнергии.

«CSIRO использовал MATLAB на начальном этапе разработке технологии. Мы тоже остановились на нем, т.к. это лучший инструмент для прототипирования алгоритмов и сложных математических вычислений», - говорит Борислав Савкович, ведущий специалист по обработке данных в BuildingIQ. «MATLAB позволяет переводить прототипы наших алгоритмов непосредственно на производственный уровень, где приходится сталкиваться с шумами и неопределенностями реального мира»
Задача

BuildingIQ надо было разработать алгоритмы для постоянной обработки гигабайтов информации с различных источников, в том числе измерителей мощности, термометров, датчиков давления ОВКВ, а также учитывая данные по погоде и стоимости электроэнергии. Даже для одного здания это могут быть миллиарды значений. Поэтому ученым и инженерам необходимы средства для эффективной фильтрации, обработки и визуализации этих данных.

Для запуска алгоритмов оптимизации необходимо было построить точную математическую модель тепловой и энергетический динамики здания. Далее алгоритмы уже использовали бы эту модель для запуска задачи оптимизации с ограничениями, учитывающую комфортные условия для работников при минимизации платы за электроэнергию.

BuildingIQ нужен был способ быстрого создания математических моделей, тестирования различных вариантов оптимизации и машинного обучения, прототипов алгоритмов и развертывания в уже существующей ИТ инфраструктуре.

Решение

BuildingIQ использовала MATLAB для ускорения процесса разработки и развертывания своих алгоритмов по прогнозу и оптимизации использования электроэнергии

Начав процесс оптимизации в MATLAB, инженеры BuildingIQ импортировали и визуализировали данные за 3-12 месяцев по температуре, давлению, потребляемой мощности. Общее количество точек исчислялось миллиардами. Для поиска пиков и провалов использовался Statistics and Machine Learning Toolbox™. Для удаления шума, вызванного отказами датчиков и другими причинами, применялись функции фильтрации из Signal Processing Toolbox™. Для аппроксимации очищенных от шумов данных с помощью математической модели, разработанной в MATLAB, использовался метод наименьших квадратов из Optimization Toolbox™. В этой модели на основе измерений и верификации внешняя температура и влажность коррелируют с электроэнергией, потребляемой системой ОВКВ.

В рамках процесса моделирования использовалась регрессия по методу опорных векторов, модели гауссовых смесей, а также кластеризация по к-средним из Statistics and Machine Learning Toolbox. Эти методы машинного обучения применялись для сегментации данных и определения относительных вкладов от газов, электричества, пара и солнечной энергии в процессы нагрева и охлаждения.

Команда разработчиков построила модель PEO в MATLAB, способную выявить влияние системы ОВКВ и внешних условий на внутреннюю температуру в каждой зоне, а также потребление электроэнергии всего зданий в целом. С помощью Control System Toolbox, они анализируют полюса и нули системы контроля ОВКВ для оценки общего потребления электроэнергии и определения скорости достижения заданных условий для каждой зоны.

Для запуска многоцелевой оптимизации с сотнями параметров, нелинейными ограничениями и целевыми функциями используется Optimization Toolbox и модель PEO. При этом происходит непрерывная оптимизация энергоэффективности в реальном времени. Эти оптимизации учитывают ожидаемые метеоусловия и цены на энергию на ближайшие 12 часов и определяются оптимальные режимы системы ОВКВ. В процессе работы, приложения на Java в облаке вызывают алгоритмы оптимизации MATLAB периодически в течении дня.

Каждый день BuildingIQ по модели рассчитывала базовые затраты на энергию, которые клиенты бы платили за ОВКВ без использования платформы BuildingIQ. Экономия составляла от 10% до 25%.
Результаты

  • Анализ и визуализация гигабайтов данных. «MATLAB позволяет легко обрабатывать и визуализировать большие наборы данных, с которыми нам приходится иметь дело», - говорит Савкович. «Мы работаем с двумерными и трехмерными графиками, диаграммами рассеивания, и другими типами графиков для понимания того, как наша система работает».

  • Десятикратный прирост скорости разработки алгоритмов. «Разработка алгоритмов в MATLAB происходит в 10 раз быстрее и более надежна, чем разработка их на Java», - говорит Савкович. «Нам необходимо фильтровать данные, смотреть на нули и полюса, запускать нелинейные оптимизации, решать множество других задач. В MATLAB есть все эти возможности, при этом они надежны и многократно проверены на практике».

  • Быстрое определение лучшего алгоритма. «В MATLAB мы можем быстро протестировать новые методы, чтобы найти тот, который лучше всего работает с нашими данными», - говорит Савкович. «Например, мы протестировали несколько методов кластеризации с помощью машинного обучения, а также несколько методов оптимизации до того как остановились на последовательном квадратичном программировании. Это большое подспорье для исследования разных методов в сжатые сроки».


Задача

Разработать систему, работающую в реальном времени, для минимизации затрат на ОВКВ в больших коммерческих зданиях с помощью прогнозирующей оптимизации.



Решение

Использовать MATLAB для анализа и визуализации больших наборов данных, реализации сложных алгоритмов оптимизации и их запуска в промышленной облачной среде.



Результаты

  • Анализ и визуализации гигабайтов данных

  • Десятикратный прирост скорости разработки алгоритмов

  • Быстрое определение лучшего алгоритма


Области применения

  • Анализ данных

  • Системы управления

Используемые продукты

  • MATLAB

  • Control System Toolbox

  • Optimization Toolbox

  • Signal Processing Toolbox

  • Statistics and Machine Learning Toolbox

Промышленность

  • Энергетика



Каталог: articles
articles -> Архивная система Донецкой области: путь в 75 лет
articles -> Обзор портовой инфраструктуры Каспийского моря и порта Оля
articles -> Исследование способов передачи видеоданных погидроакустическому каналу связи
articles -> А. И. Михайлов, И. О. Кожевников, А. В. Митин
articles -> Русская армия под пятой торгашей
articles -> Как не опоздать с инновациями в россии ?
articles -> Рогожникова Варвара Николаевна
articles -> Формирование и развитие инновационной инфраструктуры промышленного предприятия в условиях модернизации: зарубежный опыт и российская специфика


Поделитесь с Вашими друзьями:


База данных защищена авторским правом ©grazit.ru 2019
обратиться к администрации

войти | регистрация
    Главная страница


загрузить материал