Trình mô phỏng dựa trên phần cứng với Mô hình học sâu – Deep learning để dự đoán và kiểm soát năng lượng tòa nhà dựa trên dữ liệu của cảm biến chuyển động
Hardware-Based Emulator with Deep Learning Model for Building Energy Control and Prediction Based on Occupancy Sensors’ Data
Tác giả: Zhijing Ye, Zheng O’Neill, Fei Hu
Ngày đăng tải: 01/12/2021
DOI: 10.3390/info12120499
Hệ thống sưởi, thông gió và điều hòa không khí (HVAC) là nguồn tiêu thụ năng lượng lớn nhất trong các hộ gia đình. Dữ liệu từ cảm biến hiện diện có thể được sử dụng để điều khiển HVAC, vì nó cho biết số người trong tòa nhà. HVAC và cảm biến hình thành một hệ thống vật lý-cyber (CPS) điển hình. Trong nghiên cứu này, chúng tôi tập trung xây dựng một nền tảng mô phỏng phần cứng để nghiên cứu các đặc điểm dữ liệu về hiện diện, từ đó có thể trích xuất thông qua các mô hình học máy. Cụ thể, chúng tôi đề xuất hai bộ mô phỏng phần cứng để nghiên cứu việc sử dụng giao diện truyền thông có dây/vô tuyến cho điều khiển CPS dựa trên cảm biến hiện diện và sử dụng học sâu để dự đoán lượng tiêu thụ năng lượng của tòa nhà dựa trên dữ liệu từ cảm biến. Giả thuyết của chúng tôi là lượng tiêu thụ năng lượng của tòa nhà có thể được dự đoán bằng cách sử dụng dữ liệu về hiện diện thu thập bởi các cảm biến, và chúng tôi đặt câu hỏi về loại mô hình dự đoán nào sẽ đem lại kết quả chính xác nhất. Một giả thuyết khác là có thể xây dựng một nền tảng phần cứng/phần mềm trong phòng thí nghiệm để mô phỏng quá trình cảm nhận hiện diện. Các thuật toán học máy có thể được sử dụng để phân tích lượng tiêu thụ năng lượng dựa trên dữ liệu cảm nhận. Để kiểm tra bộ mô phỏng, dữ liệu hiện diện từ các cảm biến được sử dụng để dự đoán lượng tiêu thụ năng lượng. Chúng tôi cũng thảo luận về phương án đồng bộ giữa các cảm biến và máy chủ HVAC. Chúng tôi đã xây dựng hai nền tảng mô phỏng phần cứng/phần mềm để nghiên cứu các chiến lược tích hợp cảm biến/HVAC và sử dụng mô hình học sâu cải tiến – mô hình LSTM chuỗi-qua-chuỗi (Seq2Seq LSTM) kết hợp với mô hình chú ý để dự đoán lượng tiêu thụ năng lượng của tòa nhà với việc bảo toàn các mẫu dữ liệu gốc. Nhờ việc bắt được các phụ thuộc thời gian dài, các mô hình Seq2Seq có thể cung cấp độ chính xác cao hơn bằng cách sử dụng kiến trúc LSTM với bộ mã hóa và giải mã. Đồng thời, LSTM có thể nhận biết các mẫu thời gian và không gian trong dữ liệu chuỗi thời gian. Mô hình chú ý có thể làm nổi bật thông tin đầu vào quan trọng nhất trong dự đoán năng lượng bằng cách phân bổ trọng số chú ý. Cơ chế chú ý cũng có thể giảm bớt gánh nặng truyền thông giữa cảm biến và máy chủ điều khiển HVAC thông qua việc tự động bỏ qua thông tin không liên quan và tăng cường thông tin quan trọng trong quá trình huấn luyện CNN. Thông qua thực nghiệm và phân tích hiệu suất, chúng tôi đã chứng minh rằng phương pháp được đề xuất có độ chính xác dự đoán cao hơn 30% so với mạng nơ-ron LSTM truyền thống.
Link: OSTI.gov | Research Gate
