ทีมงานกำลังนำความพยายามในการใช้ machine learning เพื่อเพิ่มประสิทธิภาพในการทำความร้อนและความเย็นในอาคารของ MIT
A cross-departmental team is leading efforts to utilize machine learning for increased efficiency in heating and cooling MIT’s buildings.
โครงการนำร่อง AI มุ่งเป้าไปที่การลดการใช้พลังงานและการปล่อยก๊าซเรือนกระจกในวิทยาเขต MIT
ตัวควบคุมอุณหภูมิอัจฉริยะได้เปลี่ยนวิธีที่ผู้คนจำนวนมากให้ความร้อนและความเย็นในบ้านโดยใช้การเรียนรู้ของระบบเพื่อตอบสนองต่อรูปแบบการเข้าใช้และความชอบ ส่งผลให้ดึงพลังงานน้อยลง โดยทั่วไปเทคโนโลยีนี้ซึ่งสามารถรวบรวมและสังเคราะห์ข้อมูลจะมุ่งเน้นไปที่การใช้งานในที่พักอาศัยเดี่ยว แต่จะเป็นอย่างไรหากปัญญาประดิษฐ์ประเภทนี้สามารถจัดการความร้อนและความเย็นของทั้งวิทยาเขตได้แบบไดนามิก นั่นคือแนวคิดเบื้องหลังความพยายามข้ามแผนกที่ทำงานเพื่อลดการใช้พลังงานของวิทยาเขตผ่านการควบคุมอาคาร AI ที่ตอบสนองต่อปัจจัยภายในและภายนอกแบบเรียลไทม์
เปิดรับกับความท้าทาย
การทำความร้อนและความเย็นอาจเป็นความท้าทายด้านพลังงานสำหรับวิทยาเขตเช่น MIT ซึ่งระบบการจัดการอาคาร (BMS) ที่มีอยู่ไม่สามารถตอบสนองอย่างรวดเร็วต่อปัจจัยภายใน เช่น ความผันผวนของจำนวนผู้เข้าพัก หรือปัจจัยภายนอก เช่น สภาพอากาศที่คาดการณ์ หรือความเข้มข้นของคาร์บอนในโครงข่ายไฟฟ้า ส่งผลให้มีการใช้พลังงานเกินความจำเป็นในการทำความร้อนและทำความเย็นในพื้นที่ ซึ่งมักจะอยู่ในระดับต่ำกว่าปกติ ด้วยการมีส่วนร่วมของ AI นักวิจัยได้เริ่มสร้างกรอบการทำงานเพื่อทำความเข้าใจและคาดการณ์จุดกำหนดอุณหภูมิที่เหมาะสมที่สุด (อุณหภูมิที่เทอร์โมสตัทได้รับการตั้งค่าให้คงไว้) ในระดับห้องแต่ละห้อง และคำนึงถึงปัจจัยหลายประการ ซึ่งช่วยให้ระบบที่มีอยู่ เพื่อให้ความร้อนและความเย็นได้อย่างมีประสิทธิภาพมากขึ้น โดยไม่จำเป็นต้องดำเนินการด้วยตนเอง
“มันไม่ได้แตกต่างไปจากสิ่งที่ผู้คนทำในบ้าน” Les Norford ศาสตราจารย์ด้านสถาปัตยกรรมที่ MIT อธิบาย ซึ่งทำงานด้านการศึกษาพลังงาน การควบคุม และการระบายอากาศเชื่อมโยงเขาเข้ากับความพยายามนี้ “ยกเว้นแต่เราต้องคิดถึงสิ่งต่างๆ เช่น ห้องเรียนจะใช้งานได้นานแค่ไหนในหนึ่งวัน พยากรณ์อากาศ เวลาที่ใช้ในการทำความร้อนและความเย็นในห้อง ผลกระทบของความร้อนจากดวงอาทิตย์ที่ส่องเข้ามาทางหน้าต่าง และห้องเรียนต่อไปอย่างไร ประตูอาจส่งผลกระทบต่อทั้งหมดนี้” ปัจจัยเหล่านี้เป็นจุดสำคัญของการวิจัยและโครงการนำร่องที่นอร์ฟอร์ดและทีมงานให้ความสำคัญ ทีมงานดังกล่าวประกอบด้วย Jeremy Gregory กรรมการบริหารของ MIT Climate and Sustainability Consortium; Audun Botterud นักวิทยาศาสตร์การวิจัยหลักของห้องปฏิบัติการระบบสารสนเทศและการตัดสินใจ; Steve Lanou ผู้จัดการโครงการในสำนักงานความยั่งยืนของ MIT (MITOS); Fran Selvaggio วิศวกรระบบการจัดการอาคารอาวุโสของแผนกสิ่งอำนวยความสะดวก; และ Daisy Green และ You Lin ทั้ง postdoc
กลุ่มนี้จัดขึ้นตามคำกระตุ้นการตัดสินใจเพื่อ “สำรวจความเป็นไปได้ในการใช้ปัญญาประดิษฐ์เพื่อลดการใช้พลังงานในมหาวิทยาลัย” ตามที่ระบุไว้ใน Fast Forward: แผนปฏิบัติการด้านสภาพภูมิอากาศของ MIT สำหรับทศวรรษ แต่ความพยายามขยายไปถึงปี 2019 “ในขณะที่เราทำงานเพื่อ ลดการปล่อยก๊าซคาร์บอนในวิทยาเขตของเรา เรากำลังสำรวจทุกวิถีทาง” รองประธานฝ่ายบริการวิทยาเขตและการดูแล โจ ฮิกกินส์ ซึ่งเดิมเสนอแนวคิดนี้ให้กับนักศึกษาในงาน MIT Energy Hack ปี 2019 กล่าว “สำหรับฉัน มันเป็นโอกาสอันดีที่จะใช้ความเชี่ยวชาญของ MIT และดูว่าเราจะนำไปใช้กับวิทยาเขตของเราได้อย่างไร และแบ่งปันสิ่งที่เราเรียนรู้กับอุตสาหกรรมการก่อสร้าง” การวิจัยเกี่ยวกับแนวคิดนี้เริ่มต้นขึ้นในงานนี้ และดำเนินการต่อกับนักวิจัยนักศึกษาระดับปริญญาตรีและระดับบัณฑิตศึกษาที่ใช้สมการเชิงอนุพันธ์และจัดการนักบินเพื่อทดสอบขอบเขตของแนวคิด ในไม่ช้า Gregory ซึ่งเป็นเพื่อนร่วมคณาจารย์ของ MITOS ก็ได้เข้าร่วมโครงการนี้และช่วยระบุตัวบุคคลอื่นที่จะเข้าร่วมทีม “บทบาทของฉันในฐานะเพื่อนร่วมคณาจารย์คือการหาโอกาสในการเชื่อมโยงชุมชนการวิจัยของ MIT กับความท้าทายที่ MIT กำลังเผชิญอยู่ ดังนั้นนี่จึงเหมาะอย่างยิ่งสำหรับสิ่งนั้น” Gregory กล่าว
โครงการนำร่องในช่วงแรกของโครงการมุ่งเน้นไปที่การทดสอบจุดกำหนดเทอร์โมสตัทใน NW23 ซึ่งเป็นที่ตั้งของแผนกสิ่งอำนวยความสะดวกและสำนักงานการวางแผนวิทยาเขต แต่นอร์ฟอร์ดตระหนักได้อย่างรวดเร็วว่าห้องเรียนมีตัวแปรให้ทดสอบอีกมากมาย และโครงการนำร่องได้ขยายไปยังอาคาร 66 ซึ่งเป็นอาคารแบบผสมผสาน -ใช้อาคารที่เป็นที่ตั้งของห้องเรียน สำนักงาน และพื้นที่ห้องปฏิบัติการ “เราเปลี่ยนความสนใจไปที่ห้องเรียนการเรียนส่วนหนึ่งเนื่องจากความซับซ้อน แต่ยังรวมถึงขนาดที่ใหญ่ด้วย — มีห้องเรียนหลายร้อยแห่งในมหาวิทยาลัย ดังนั้น [พวกเขาเสนอ] โอกาสมากขึ้นในการรวบรวมข้อมูลและกำหนดพารามิเตอร์ของสิ่งที่เรากำลังทดสอบ” กล่าว นอร์ฟอร์ด
การพัฒนาเทคโนโลยี
งานเพื่อพัฒนาการควบคุมอาคารที่ชาญฉลาดยิ่งขึ้นเริ่มต้นด้วยแบบจำลองทางฟิสิกส์โดยใช้สมการเชิงอนุพันธ์เพื่อทำความเข้าใจว่าวัตถุสามารถร้อนขึ้นหรือเย็นลงได้อย่างไร เก็บความร้อน และความร้อนอาจไหลผ่านส่วนหน้าของอาคารได้อย่างไร ข้อมูลภายนอก เช่น สภาพอากาศ ความเข้มข้นของคาร์บอนของระบบส่งไฟฟ้า และตารางเรียนก็ถูกป้อนเข้ามาเช่นกัน โดย AI จะตอบสนองต่อเงื่อนไขเหล่านี้เพื่อส่งมอบจุดตั้งค่าเทอร์โมสตัทที่เหมาะสมที่สุดในแต่ละชั่วโมง ซึ่งเป็นจุดแลกเปลี่ยนที่ดีที่สุดระหว่างวัตถุประสงค์สองประการของการระบายความร้อน ความสะดวกสบายของผู้โดยสารและการใช้พลังงาน จุดที่ตั้งไว้นั้นจะบอก BMS ที่มีอยู่ว่าต้องเพิ่มความร้อนหรือทำให้พื้นที่เย็นลงมากน้อยเพียงใด การทดสอบในชีวิตจริงมีดังนี้ โดยสำรวจผู้ใช้อาคารเกี่ยวกับความสะดวกสบายของพวกเขา Botterud ซึ่งงานวิจัยมุ่งเน้นไปที่ปฏิสัมพันธ์ระหว่างวิศวกรรม เศรษฐศาสตร์ และนโยบายในตลาดไฟฟ้า ทำงานเพื่อให้แน่ใจว่าอัลกอริธึม AI สามารถเปลี่ยนการเรียนรู้นี้เป็นการประหยัดพลังงานและการปล่อยก๊าซคาร์บอน
ปัจจุบัน นักบินมุ่งเน้นไปที่ห้องเรียน 6 ห้องภายในอาคาร 66 โดยมีความตั้งใจที่จะย้ายไปยังพื้นที่ห้องปฏิบัติการก่อนที่จะขยายไปยังทั้งอาคาร “เป้าหมายที่นี่คือการประหยัดพลังงาน แต่นั่นไม่ใช่สิ่งที่เราสามารถประเมินได้อย่างเต็มที่จนกว่าเราจะสร้างทั้งอาคารเสร็จ” Norford อธิบาย “เราต้องทำงานห้องเรียนทีละห้องเรียนเพื่อรวบรวมข้อมูล แต่เรากำลังมองภาพที่ใหญ่กว่ามาก” ทีมวิจัยใช้การจำลองที่ขับเคลื่อนด้วยข้อมูลเพื่อประเมินการประหยัดพลังงานได้อย่างมาก ขณะเดียวกันก็รักษาความสบายด้านความร้อนในห้องเรียนทั้ง 6 ห้องภายในเวลาสองวัน แต่จำเป็นต้องมีการทำงานเพิ่มเติมเพื่อนำการควบคุมไปใช้และวัดผลการประหยัดพลังงานตลอดทั้งปี
ด้วยการประหยัดได้มากในแต่ละห้องเรียน การประหยัดพลังงานที่ได้รับจากทั้งอาคารอาจมีอยู่มาก และ AI สามารถช่วยบรรลุเป้าหมายนั้นได้ Botterud อธิบายว่า “แนวคิดเรื่องความสามารถในการขยายขนาดทั้งหมดนี้ถือเป็นหัวใจสำคัญของสิ่งที่เรากำลังทำอยู่ เราใช้เวลามากมายในอาคาร 66 เพื่อดูว่ามันทำงานอย่างไร และหวังว่าอัลกอริธึมเหล่านี้จะสามารถขยายขนาดไปยังห้องและอาคารอื่นๆ ได้โดยไม่ต้องใช้ความพยายามมากนัก ดังนั้นโซลูชันที่เรากำลังพัฒนาจึงสามารถสร้างผลกระทบที่ยิ่งใหญ่ที่ MIT ได้” เขา พูดว่า
ส่วนหนึ่งของผลกระทบใหญ่นั้นเกี่ยวข้องกับเจ้าหน้าที่ฝ่ายปฏิบัติการ เช่น Selvaggio ซึ่งมีความสำคัญในการเชื่อมโยงการวิจัยเข้ากับการปฏิบัติงานในปัจจุบัน และนำไปปฏิบัติทั่วทั้งมหาวิทยาลัย “งานของทีม BMS ส่วนใหญ่เสร็จสิ้นแล้วในขั้นนำร่องสำหรับโครงการประเภทนี้” เขากล่าว “เราสามารถนำระบบ AI เหล่านี้ไปใช้งานกับ BMS ที่มีอยู่ของเราได้ภายในเวลาไม่กี่สัปดาห์ ช่วยให้นักบินออกจากพื้นที่ได้อย่างรวดเร็ว” Selvaggio กล่าวว่าในการเตรียมการสำหรับการเสร็จสิ้นโครงการนำร่อง ทีม BMS ได้ระบุอาคารเพิ่มเติมอีก 50 หลังในวิทยาเขตซึ่งเทคโนโลยีนี้สามารถติดตั้งได้อย่างง่ายดายในอนาคตเพื่อเริ่มการประหยัดพลังงาน ทีมงาน BMS ยังร่วมมือกับบริษัทระบบอัตโนมัติในอาคาร Schneider Electric ซึ่งได้นำอัลกอริธึมการควบคุมใหม่ในห้องเรียน Building 66 มาใช้ และพร้อมที่จะขยายไปยังสถานที่นำร่องแห่งใหม่
ผลกระทบที่ขยายออกไป
การสำเร็จหลักสูตรเหล่านี้ยังจะเปิดโอกาสให้มีการประหยัดพลังงานมากยิ่งขึ้น ซึ่งจะทำให้ MIT เข้าใกล้เป้าหมายการลดคาร์บอนมากขึ้น “นอกเหนือจากการประหยัดพลังงานแล้ว ในที่สุดเราก็สามารถเปลี่ยนอาคารวิทยาเขตของเราให้เป็นเครือข่ายพลังงานเสมือนจริงได้ โดยที่เทอร์โมสตัทหลายพันตัวถูกรวบรวมและประสานงานเพื่อทำงานเป็นหน่วยงานเสมือนจริงที่เป็นหนึ่งเดียว” ฮิกกินส์อธิบาย เครือข่ายพลังงานประเภทนี้สามารถเร่งการลดการปล่อยก๊าซคาร์บอนในภาคส่วนพลังงานโดยลดความต้องการโรงไฟฟ้าที่ใช้คาร์บอนเข้มข้นในช่วงเวลาเร่งด่วน และช่วยให้ใช้พลังงานจากโครงข่ายไฟฟ้าได้อย่างมีประสิทธิภาพมากขึ้น
ในขณะที่นักบินดำเนินต่อไป พวกเขาก็ตอบสนองคำกระตุ้นการตัดสินใจอีกครั้งใน Fast Forward — เพื่อให้วิทยาเขตเป็น “เตียงทดสอบสำหรับการเปลี่ยนแปลง” Gregory กล่าวว่า “โครงการนี้เป็นตัวอย่างที่ดีของการใช้วิทยาเขตของเราเป็นพื้นที่ทดสอบ โดยนำการวิจัยที่ล้ำสมัยมาประยุกต์ใช้กับการลดการปล่อยก๊าซคาร์บอนในวิทยาเขตของเราเอง เป็นโครงการที่ยอดเยี่ยมสำหรับการมุ่งเน้นเฉพาะด้าน แต่ยังใช้เป็นแบบอย่างในการใช้มหาวิทยาลัยเป็นห้องทดลองที่มีชีวิตอีกด้วย”