La calefacción, la ventilación y el aire acondicionado inteligentes, es decir, los algoritmos autónomos para sistemas HVAC, están pasando gradualmente del laboratorio a las aplicaciones prácticas. El objetivo principal de estos algoritmos es permitir que el sistema de control del entorno del edificio aprenda de forma autónoma a partir de los datos operativos, optimice continuamente el equilibrio entre el consumo de energía y el confort y reduzca la dependencia de la configuración manual y los modelos estáticos. Esto representa un paso clave en la evolución de las operaciones de construcción de "automáticas" a "adaptativas".
Cómo los algoritmos HVAC de autoaprendizaje ahorran energía
Analizar continuamente los datos ambientales dentro y fuera del edificio (como temperatura, humedad, iluminación, flujo de personas, etc.) así como los datos de consumo energético del propio sistema. De esta forma, el algoritmo de autoaprendizaje encontrará la correlación oculta entre el modo de funcionamiento y el consumo de energía. Por ejemplo, bajo condiciones climáticas específicas, fechas específicas y períodos de tiempo específicos, el algoritmo aprenderá la estrategia óptima de inicio y parada de la máquina de enfriamiento, así como el punto de ajuste de la temperatura del aire de suministro.
Después de repetidas pruebas y errores y correcciones de predicción, el algoritmo logró el resultado de poder construir un modelo dinámico que supera el control de programación tradicional. Puede predecir los cambios en la carga de calor del edificio de antemano y realizar ajustes precisos en la respuesta del sistema para evitar el desperdicio de energía causado por el sobreenfriamiento o el sobrecalentamiento. En edificios con estaciones de transición o patrones de uso de ocupantes cambiantes, los efectos de ahorro de energía de esta optimización dinámica son particularmente significativos.
Cómo los algoritmos autónomos predicen y se adaptan a las necesidades de los edificios
El núcleo del autoaprendizaje reside en la capacidad de predicción. El algoritmo utiliza datos históricos para entrenar el modelo de predicción para predecir las condiciones interiores y exteriores y el uso del espacio en las próximas horas o incluso días. Por ejemplo, el algoritmo puede predecir que un área determinada tendrá un uso elevado analizando el calendario y los datos de reserva de la sala de conferencias, y luego iniciar el aire acondicionado regional con anticipación para garantizar la comodidad.
La adaptación se produce en un circuito de retroalimentación en tiempo real, donde el algoritmo ajusta los parámetros internos de su modelo cuando las predicciones se desvían de las lecturas reales del sensor. Por ejemplo, cuando la velocidad de calentamiento real de una habitación es más lenta de lo previsto por el modelo, el algoritmo ajustará el coeficiente de transferencia de calor de la habitación para hacer que el control futuro sea más preciso y así reducir el tiempo de funcionamiento ineficaz del equipo.
¿Cuáles son los desafíos técnicos en el control HVAC de autoaprendizaje?
Los principales desafíos surgen de la complejidad del entorno real. Muchos factores, como las características físicas de los edificios, la variabilidad del comportamiento del personal, el envejecimiento de los equipos y las fallas de los sensores, interferirán con la calidad de los datos. El algoritmo debe ser lo suficientemente robusto como para extraer información efectiva de datos con ruido y valores atípicos, evitando decisiones de control que hagan que el sistema oscile o se vuelva inestable.
Otro desafío radica en la capacidad de generalización del modelo. Un algoritmo entrenado y optimizado para un determinado edificio es difícil de aplicar directamente a otro edificio con diferentes estructuras y usos. Esto requiere que el algoritmo tenga un cierto grado de transferencia de aprendizaje o capacidades de aprendizaje en línea y pueda adaptarse rápidamente al nuevo entorno después de la implementación. Sin embargo, esto sigue siendo una dificultad de investigación en la actualidad.
¿La optimización del algoritmo autónomo afectará la comodidad del personal?
Garantizar la comodidad es la principal limitación de la optimización de algoritmos y de ninguna manera es una situación que deba descartarse. Al realizar la optimización de compensaciones, el algoritmo avanzado cubrirá de manera integral indicadores de confort multidimensionales como la sensación térmica, la calidad del aire (concentración de CO2) e incluso el entorno acústico. El objetivo es encontrar el punto de funcionamiento con menor consumo energético manteniendo el rango de confort dentro del rango aceptable.
Durante la implementación real, generalmente se utiliza un enfoque de diseño como "humano en el circuito". El sistema permite a los usuarios dar información instantánea sobre su comodidad a través de aplicaciones móviles o sensores, como cuando sienten demasiado frío. Estas retroalimentaciones se convertirán en datos de aprendizaje que desempeñan un papel clave y luego ayudarán al algoritmo a realizar ajustes personalizados en la configuración de esta área para lograr un control adaptativo "orientado a las personas".
Cómo se integran los sistemas de autoaprendizaje con los sistemas de gestión de edificios existentes
La integración a menudo se logra con la ayuda de interfaces API o plataformas de middleware. El algoritmo de autoaprendizaje actúa como un optimizador de capa superior y genera valores establecidos óptimos, como puntos de ajuste de temperatura, aperturas de válvulas, etc., al sistema de automatización de edificios existente, que es el BAS, y luego los transmite a actuadores específicos del BAS. Este método requiere menos modificación del sistema existente, lo que permite reducir el umbral de implementación.
El punto clave es que los datos se pueden conectar entre sí. En este aspecto de la integración, muchas partes con aislamiento de datos, como BAS, medidores de electricidad, fuentes meteorológicas y sistemas de reserva de habitaciones, deben conectarse sin problemas para crear un lugar unificado de recopilación de datos para el análisis de algoritmos. No se trata sólo de una cuestión técnica, sino también de la apertura de los protocolos entre los diferentes proveedores de equipos y la coordinación de la gestión de proyectos.
¿Cuánto cuesta y mantiene implementar un HVAC de autoaprendizaje?
El costo inicial cubre principalmente la compra de software y hardware, así como los costos de integración y depuración del sistema. En proyectos nuevos, los incrementos de costos son relativamente controlables; en proyectos de renovación, se deben considerar costos adicionales para la instalación de sensores y el acoplamiento del sistema. Normalmente, el período de recuperación depende del tamaño del edificio, la eficiencia de sus sistemas originales y los precios locales de la energía, y normalmente se amortiza mediante ahorros de energía en unos pocos años.
A diferencia de los sistemas tradicionales, el foco del trabajo de mantenimiento pasa del mantenimiento del hardware al monitoreo del desempeño de los algoritmos. El equipo de operaciones debe monitorear si las decisiones del algoritmo son razonables y garantizar su funcionamiento estable a largo plazo, y realizar el reentrenamiento o calibración necesarios del modelo del algoritmo cuando haya cambios importantes en las funciones del edificio (como la rezonificación de grandes áreas).
Cuando piensa en introducir mejoras inteligentes en su edificio, ¿en qué debe centrarse más: en la previsibilidad del retorno de la inversión o en la garantía de estabilidad y seguridad a largo plazo del sistema? Bienvenido a compartir sus puntos de vista en el área de comentarios. Si este artículo te ha inspirado, no dudes en darle me gusta y compartirlo.
Deja una respuesta