آیا پیش بینی بار برق با یادگیری ماشین، واقعا مصرف انرژی ساختمان را کاهش می دهد؟

آیا پیش بینی بار برق با یادگیری ماشین، واقعا مصرف انرژی ساختمان را کاهش می دهد؟

اگر سیستم هوشمند یک ساختمان بتواند با دقت بسیار بالایی پیش بینی کند که فردا در ساعت دو بعدازظهر، بار شبکه برق به اوج خود می رسد، آیا همین آگاهی به تنهایی مصرف انرژی را پایین می آورد؟ اگر تجهیزات سرمایشی و گرمایشی همچنان با همان برنامه زمان بندی قبلی به کار خود ادامه دهند، پاسخ منفی است. تفاوت بنیادین میان «دانستن میزان مصرف در آینده» و «تغییر واقعی الگوی مصرف»، دقیقا همان نقطه حساسی است که در زمان ارزیابی ادعاهای مرتبط با هوشمندسازی ساختمان ها باید با نگاهی انتقادی به آن توجه کنیم.

پیش بینی بار الکتریکی، در بهترین حالت، تنها یک 

ورودی اطلاعاتی برای تصمیم گیری است. صرفه جویی واقعی و فیزیکی در مصرف انرژی نیازمند اقداماتی عملی و مداخله گرانه است؛ اقداماتی نظیر اصلاح پویای برنامه تهویه مطبوع، مدیریت هوشمندانه هم زمانی کارکرد تجهیزات پرمصرف، یا زمان بندی دقیق برای شارژ و دشارژ سیستم های ذخیره ساز انرژی. حتی پس از اجرای موفقیت آمیز این اقدامات کنترلی نیز، کار تمام نمی شود. پژوهشگران و مهندسان باید با دقت بررسی کنند که آیا واقعا «مصرف انرژی» ساختمان کاهش یافته است، یا اینکه تنها «پیک بار» و «هزینه نهایی قبض» کم شده اند؟ در ادبیات علمی و مهندسی انرژی، این اهداف با یکدیگر یکسان نیستند.

پیش بینی دقیق، دقیقا چه چیزی را در عمل ثابت می کند؟

یک مدل یادگیری ماشین، روابط پیچیده و پنهان میان ورودی ها و خروجی ها را از طریق تحلیل کلان داده های گذشته می آموزد. در حوزه مدیریت انرژی ساختمان، این ورودی ها معمولا شامل سوابق تاریخی مصرف، تغییرات شرایط آب وهوایی و وضعیت بهره برداری از فضاها هستند. خروجی این مدل ها نیز می تواند پیش بینی دقیق بار الکتریکی یا شبیه سازی رفتار حرارتی ساختمان باشد. اگرچه این دو خروجی ارتباط تنگاتنگی با هم دارند، اما از نظر علمی نباید به جای یکدیگر به کار روند.

پایین بودن خطای پیش بینی یک الگوریتم، صرفا نشان می دهد که خروجی مدل تا چه اندازه به واقعیت نزدیک است، اما این دقت بالا به خودی خود، مقدار صرفه جویی انرژی را تضمین نمی کند. از سوی دیگر، مدلی که می تواند مصرف فعلی ساختمان را به خوبی پیش بینی کند، لزوما قادر نیست تاثیر تغییر فرمان های کنترلی جدید را به درستی شبیه سازی کند. یک سیستم «کنترل پیش بین» به مدلی دینامیک نیاز دارد که بتواند رابطه علت و معلولی میان تصمیمات جدید سیستم و واکنش حرارتی و الکتریکی ساختمان را شبیه سازی نماید. بنابراین، ارزیابی هوشمندسازی باید در دو سطح کاملا مجزا انجام شود: ابتدا ارزیابی کیفیت و دقت پیش بینی، و سپس سنجش کیفیت عملکرد کنترلی. در سطح دوم است که شاخص هایی مانند مصرف کل انرژی، هزینه های اقتصادی، پیک بار و از همه مهم تر، شرایط آسایش حرارتی ساکنان به دقت سنجیده می شوند.

حلقه مفقوده؛ اتصال الگوریتم های پیش بینی به کنترل تجهیزات

در روش پیشرفته «کنترل پیش بین مبتنی بر مدل» (MPC)، سامانه هوشمند ابتدا رفتار آینده ساختمان را برآورد می کند. سپس سیستم با توجه به اهداف تعریف شده و محدودیت های فیزیکی، گزینه های مختلف کنترلی را ارزیابی کرده و در نهایت، بهینه ترین فرمان را به تجهیزات صادر می کند. این محاسبات با دریافت هر داده جدید، به صورت مستمر تکرار می شوند. در این زنجیره پیچیده، مدل یادگیری ماشین تنها یک قطعه از پازل است و نمی تواند جایگزین کل سیستم مدیریت انرژی شود.

برای درک بهتر این موضوع، می توان به پژوهش تانگ (Tang) و همکارانش اشاره کرد. آن ها در تحقیق خود از الگوریتم «رگرسیون بردار پشتیبان» (SVR) برای پاسخ گویی سریع به تقاضای شبکه در ساختمان های تجاری استفاده کردند. در این سیستم، مسئله فقط پیش بینی نبود؛ بلکه کنترل کننده باید توان مصرفی را به طور عملی کاهش می داد و درعین حال، دمای محیط داخل را در محدوده مجاز و راحت برای ساکنان حفظ می کرد. نتایج این آزمون ها موفقیت سیستم را در دستیابی به هر دو هدف نشان داد. بااین وجود، چنین موفقیت های مقطعی در پاسخ به تقاضا را نباید به معنای اثبات کاهش قطعی مصرف انرژی در مقیاس سالانه تلقی کرد. پیش بینی ها باید به تغییر برنامه کار تجهیزات ختم شوند؛ یک داشبورد نرم افزاری که صرفا نمودارهای مصرف آینده را روی مانیتور نمایش می دهد، یک پروژه موفق در صرفه جویی انرژی محسوب نمی شود، مگر آنکه حلقه تصمیم گیری و اجرا به طور کامل بسته شود.

کاهش مصرف، کاهش پیک و کاهش هزینه؛ سه مفهوم کاملا متفاوت

برای جلوگیری از هرگونه سوءبرداشت در پروژه های هوشمندسازی، باید سه مفهوم کلیدی را به طور دقیق از یکدیگر تفکیک کنیم:

کاهش انرژی: به معنای آن است که مجموع برق مصرف شده (برحسب کیلووات ساعت) در یک دوره زمانی مشخص، در مقایسه با گذشته کمتر شود.

کاهش پیک: به معنای کاهش بیشینه توان مصرفی لحظه ای (برحسب کیلووات) در ساعات اوج بار است؛ حتی اگر کل انرژی مصرف شده در طول روز تغییری نکند.

کاهش هزینه: شامل زمان بندی هوشمندانه مصرف برای هماهنگی با تعرفه های متغیر قیمت برق است، بدون اینکه لزوما میزان مصرف خالص انرژی افت کند.

با درک این تفکیک، متوجه می شویم که صرف انتقال زمان کار یک دستگاه چیلر از ساعات اوج مصرف به نیمه شب، به طور خودکار «کاهش مصرف انرژی» تلقی نمی شود. زمان بندی شارژ سیستم های ذخیره ساز نیز باید بر مبنای تابع هدف اصلی کنترل کننده ارزیابی شود. افت هزینه قبض برق یا کاهش پیک شبانه، به تنهایی سندی بر بهینه سازی واقعی انرژی نیست. افزون بر این، در تمامی مقالات علمی، مصرف انرژی و آسایش حرارتی ساکنان دو هدف درهم تنیده هستند. اگر کاهش مصرف به قیمت خروج دمای اتاق از استانداردهای آسایش تمام شود، آن سیستم کنترلی شکست خورده است.

نمونه های اجرایی؛ انتقال از مدل سازی به فرمان بلادرنگ

یکی از نمونه های برجسته در پیاده سازی واقعی این سیستم ها، اجرای بلادرنگ «کنترل پیش بین» با کمک تقریب گرهای یادگیری عمیق در یک ساختمان اداری در شهر هاسلت بلژیک است. مقاله مروری ژانگ (Zhang) و همکاران، این پیاده سازی را بررسی کرده و پژوهش درگونا (Drgona) و همکاران نیز به خوبی نشان می دهد که چگونه می توان با استفاده از یادگیری عمیق، پیچیدگی های محاسباتی اجرای کنترل پیش بین را کاهش داد و آن را برای سخت افزارهای تجاری ساده تر کرد.

ارزش علمی این پروژه ها در اتصال مستقیم الگوریتم های یادگیری ماشین به سیاست های کنترل فیزیکی تجهیزات است، نه صرفا در نمایش گرافیکی پیش بینی ها. در این رویکرد، مدل آموزش دیده قادر است تصمیم های پیچیده سیستم کنترل پیش بین را بازتولید کند تا بار پردازشی کاهش یابد. البته باید توجه داشت که تعمیم دادن نتایج موفقیت آمیز یک ساختمان در بلژیک به پروژه ای با اقلیم و کاربری متفاوت (مثلا یک مجتمع در مشهد) بدون انجام آزمایش های کالیبراسیون، از نظر علمی پذیرفته نیست.

چگونه کاهش واقعی انرژی را با دقت راستی آزمایی کنیم؟

برای اثبات کارایی این سیستم ها، پیش از انتخاب الگوریتم هوش مصنوعی، باید چارچوبی شفاف برای «اندازه گیری و صحه گذاری» تدوین کرد. بر اساس «پروتکل بین المللی اندازه گیری و صحه گذاری عملکرد» (IPMVP)، میزان دقیق صرفه جویی به طور مستقیم و با نصب یک کنتور قابل اندازه گیری نیست. این عدد تنها از طریق مقایسه علمی مصرف پیش و پس از اجرای سیستم، و با درنظرگرفتن تغییرات شرایط محیطی محاسبه می شود. در نتیجه، مقایسه ساده دو قبض برق متوالی، بدون لحاظ کردن تغییرات دمای بیرون یا نرخ اشغال ساختمان، فاقد اعتبار مهندسی است.

برای ارزیابی صحیح در پروژه های اجرایی، چک لیست زیر الزامی است:

- هدف نهایی پروژه (کاهش انرژی، کاهش پیک یا کاهش هزینه) را صراحتا مشخص کنید.

- مرزهای اندازه گیری (کل مدار ساختمان یا فقط یک چیلر خاص) را دقیقا تعیین کنید.

- خط مبنای مصرف و دوره گزارش دهی را تعریف کرده و تاثیر تغییرات آب وهوایی را در مدل ریاضی تعدیل کنید.

- علاوه بر خطای محاسباتی مدل، شاخص های آسایش ساکنان را نیز به طور مستمر پایش و ثبت کنید.

جمع بندی

پیش بینی بار الکتریکی به کمک ابزارهای قدرتمند یادگیری ماشین، تنها یک اهرم برای تسهیل تصمیم سازی است و به خودی خود هیچ تضمینی برای کاهش مصرف انرژی ایجاد نمی کند. عیار واقعی و ارزش عملیاتی این ابزار هوشمند، تنها زمانی مشخص می شود که به یک سیستم کنترلی بسته و قابل اجرا متصل گردد، استانداردهای آسایش حرارتی ساکنان را مختل نکند و دستاوردهای آن با روش های معتبر و بین المللی ارزیابی شود. برای قضاوت علمی درباره هر پیشنهاد تجاری هوشمندسازی، یافتن پاسخ برای این سه پرسش کلیدی کفایت می کند: سیستم دقیقا چه پارامتری را پیش بینی می کند؟ بر اساس این پیش بینی، برنامه کدام تجهیزات به طور خودکار تغییر می کند؟ و در نهایت، کاهش ادعاشده بر اساس کدام پروتکل استاندارد اندازه گیری و صحه گذاری خواهد شد؟

منابع

۱. Zhang, H., et al. "Data-driven Model Predictive and Reinforcement Learning Based Control for Building Energy Management: a Survey." arXiv preprint arXiv:2106.14450v1, 2021.

۲. Tang, R., Fan, C., Zeng, F., et al. "Data-driven model predictive control for power demand management and fast demand response of commercial buildings using support vector regression." Building Simulation, vol. 15, pp. 317–331, 2022.

۳. Drgona, J., Helsen, L., and Vrabie, D. "Stripping off the implementation complexity of physics-based model predictive control for buildings via deep learning." NeurIPS Tackling Climate Change with Machine Learning Workshop, 2019.

۴. Efficiency Valuation Organization (EVO). "IPMVP — International Performance Measurement and Verification Protocol."