Acasă Energie TEHNICI DE INTELIGENȚĂ ARTIFICIALĂ ÎN DETECTAREA INDIRECTĂ A GRADULUI DE OCUPARE ÎN...

TEHNICI DE INTELIGENȚĂ ARTIFICIALĂ ÎN DETECTAREA INDIRECTĂ A GRADULUI DE OCUPARE ÎN CADRUL CLĂDIRILOR INTELIGENTE

53
0

TEHNICI DE INTELIGENȚĂ ARTIFICIALĂ ÎN DETECTAREA INDIRECTĂ A GRADULUI DE OCUPARE ÎN CADRUL CLĂDIRILOR INTELIGENTE

Georgiana Crețu, Iulia Stamatescu, Grigore Stamatescu

Nevoia stringentă de eficiență energetică, dar și creșterea prețului energiei electrice face ca abordarea provocărilor energetice la nivel global, în prezent cât și în viitor, să necesite utilizarea crescută a tehnologiilor informatice și de comunicare inteligente, atât pentru cererea de energie, cât și pentru ofertă/producție. Clădirile, ca semn distinctiv al societății moderne, sunt locuri unde în prezent oamenii petrec cea mai mare parte a timpului, pentru muncă sau pentru agrement și odihnă, pentru învățare, socializare și alte activități. Acest lucru le transformă în unul dintre factorii cheie ai consumului de energie și un punct critic atunci când discutăm de îmbunătățirea eficienței energetice la nivel global.

În cadrul unei clădiri, cel mai mare consumator de energie este reprezentat de sistemul de încălzire, ventilație și aer condiționat (HVAC), care trebuie să echilibreze termic confortul ocupanților, ca utilizatori finali, cu energia consumată. Acest echilibru poate fi realizat mai eficient prin cunoașterea, în timp real, sau capacitatea de prezicere a nivelului de ocupare al clădirii. Importanța detectării și predicția exactă a gradului de ocupare al clădirilor crește în controlul localizat al energiei HVAC, precum și pentru controlul inteligent al iluminatului ca sursă secundară de economisire a energiei.

Ocuparea în interior poate fi măsurată direct prin camere, contoare de persoane, jurnale de acces și date de intrare ale utilizatorului sau estimată indirect prin intermediul senzorilor ambientali. Metodele indirecte au avantajul că nu necesită nici un sistem dedicat detectării ocupării, modalitate ce economisește hardware, instalare și costuri de întreținere, necesitând în același timp o calitate ridicată de seturi de date etichetate și resurse de calcul pentru instruirea unor modele robuste.

Utilizând cele mai noi tehnici de inteligență artificială, a fost realizat un sistem de clasificare a ocupării clădirilor, care conduce la îmbunătățirea strategiilor de gestionare a energiei în clădirile inteligente, prin controlul adaptativ al ocupantului. Sistemul folosește indirect detectarea condițiilor ambientale, precum temperatura și variațiile de umiditate și nivelurile de dioxid de carbon, pentru a furniza o estimare relativă a raportului de ocupare sub formă de ocupare scăzută, medie, ridicată și zero. Acest lucru servește o medie pentru a păstra confidențialitatea ocupanților, adică prin neutilizarea camerelor și procesarea imaginilor, dar și evitarea hardware-ului.

Primul pas în prelucrarea datelor este asamblarea datelor de măsurare a secvențelor, care sunt utilizate de către primul strat de intrare în rețeaua neuronală. Al doilea pas în procesarea datelor pentru instruire constă în procedura de echilibrare a seturilor de date pentru atenuarea efectului de prejudecată al clasificatorului atunci când este expus la exemple de clasă dominantă în datele de instruire.

În cadrul aplicației a fost folosită o rețea neuronală convoluțională (CNN) pentru a estima probabilitățile clasei pe baza etichetei setului de date. Arhitectura rețelei CNN include următoarele straturi: strat de normalizare, două straturi convoluționale-Conv2D, două straturi pentru normalizarea loturilor după fiecare strat convoluțional-MaxPooling2D, două straturi complet conectate cu 32 și 4 neuroni, unde ultimul strat de ieșire calculează probabilitățile clasei asociate fiecărei categorii de ocupare. Rețeaua arhitecturală este ilustrată în Figura 1. Rolul stratului de normalizare a lotului este de a traduce citirile individuale ale senzorilor pe o scară comparabilă.

Figura 1: Arhitectura retelei CNN

Aplicația realizată prezintă o abordare pentru clasificarea ocupării clădirilor pe baza citirilor indirecte de la senzorii ambientali. În acest sens a fost proiectată o rețea neuronală convoluțională (CNN). Aplicația a fost evaluată pe seturi de date eterogene, disponibile public, care oferă o abordare cu o robustețe sporită la variații ale datelor de intrare. Sistemul este testat pe combinații de patru seturi de date diferite disponibile publicului cu valori de precizie variind de la 87% până la 100% în cele mai favorabile cazuri. Modelarea oferă capacitatea de a cuantifica dependența între variațiile parametrilor ambientali ca temperatura, umiditatea, lumina și dioxidul de carbon, în raport cu nivelurile de ocupare.

LĂSAȚI UN MESAJ

Vă rugăm să introduceți comentariul dvs.!
Introduceți aici numele dvs.

Acest site folosește Akismet pentru a reduce spamul. Află cum sunt procesate datele comentariilor tale.