Energieeffizienz Ist Ein Kernziel Für Maschinelles Lernen

2023 Autor: Isabella Ferguson | [email protected]. Zuletzt bearbeitet: 2023-11-26 12:43

Das Thema energieeffiziente Gebäude taucht weiter auf. Ich habe diese Woche Zeit damit verbracht, mit dem CEO einer Stadtmodellierungsfirma über die Möglichkeiten zu sprechen, wie ihr Produkt sowohl auf Wohn- als auch auf kommerzieller Ebene mit diesem Ziel verknüpft werden könnte. Auf einer lokalen Klimakonferenz Ende letzten Jahres war ein Großteil der Sitzung dem Thema gewidmet, Gebäude weniger Strom verbrauchen zu lassen, etwas mit abnehmenden Klimaerträgen, wenn Energie dekarbonisiert wird, und mit relativ niedrigem Klimawert bereits in einer Gerichtsbarkeit mit nur 15 Gramm CO2e pro kWh Elektrizität.

Bild mit freundlicher Genehmigung des Pacific Northwest National Laboratory

Aber das bedeutet nicht, dass Gebäudeeffizienz nicht einmal gegen das Endspiel der Dekarbonisierung und Elektrifizierung von allem, ein Endspiel, das wir noch lange nicht erreicht haben, keine signifikanten Vorteile hat. Effizienzgewinne von heute werden sich in den nächsten 20-30 Jahren mit Klima- und Kostenvorteilen auszahlen, und obwohl ich für 2050 niedrigere Strompreise prognostiziere, wäre Effizienz immer noch billiger als die Alternative. Der Trend der Klima-Kosten-Nutzen-Kurven wird auch in jeder Gerichtsbarkeit variieren, wobei eine der benachbarten Gerichtsbarkeiten immer noch 800 Gramm CO2e pro kWh verzeichnet und eine neue Regierung, die sich viel weniger verpflichtet hat, diese Zahl zu reduzieren.

Und hier kommt maschinelles Lernen ins Spiel. Mehrere Unternehmen nutzen die Technologie, um den Energieverbrauch von Gebäuden zu optimieren.

Beginnen wir unsere Tour mit EP&T Global. Das 1993 in Australien gegründete Unternehmen konzentriert sich seit 27 Jahren auf die Energie- und Wassereffizienz von Gewerbegebäuden. Es hat Niederlassungen auf der ganzen Welt und verdient daher das Globale in seinem Namen. Diese weltweiten Installationen seiner EdgeZeus-IoT-Sensoren und -Software bringen ihm jährlich 4,5 Milliarden Datensätze zur Leistung von Gewerbegebäuden ein, was ihm einen großen Datensatz für die größten Optimierungen zur Verfügung stellt. Und das tut es. Das Unternehmen wendet maschinelles Lernen auf die Daten an, um Signale von Rauschen zu trennen und die Kombination von Änderungen mit dem größten Wert für die Gebäude seiner Kunden zu identifizieren, sowohl in Bezug auf direkte Umgebungseinstellungen als auch auf bedeutendere Eingriffe.

Verdigris, die nächste Station auf unserer Tour, ist ein neueres Unternehmen, das 2011 rund um IoT und Advanced Analytics in der San Francisco Bay Area gegründet wurde. Es hat mit seinen schnell installierten IoT-Sensoren, die sich festklemmen, den größten Erfolg in der Hotelbranche und in Technologieunternehmen Stromkreise. Das Unternehmen behauptet eine Energieeinsparung von 20 bis 50 % und weiter, dass diese Ergebnisse aufgrund von 8.000 Abtastungen pro Sekunde besser sind als die seiner Konkurrenten. Dies ermöglicht es, Probleme zu erkennen, die andere übersehen, und macht maschinelles Lernen zum Sortieren von Signalen von Rauschen zu einer kritischen Komponente.

Zurück nach Australien finden wir Exergenics, das einen anderen Schwerpunkt hat: die Optimierung der gewerblichen Klimatisierung und Kühlung. Das Unternehmen sammelt vorhandene Gebäudemanagementdaten, erstellt einen digitalen Zwilling der Kühltechnologie und verwendet dann maschinelles Lernen und proprietäre Algorithmen, um basierend auf seiner Historie die optimale Sequenzierung und Lastverteilung für das tatsächliche Betriebsprofil des Gebäudes zu definieren. Wie bei vielen dieser Lösungen binden sie externe Umgebungsbedingungen und Echtzeit-Gebäudedaten ein, um alles optimal zu halten.

Als nächstes steigen wir in einen Jet und fliegen nach Großbritannien zu der in Cambridge ansässigen Firma Geo. Es ist in einer anderen Größenordnung im Spektrum und arbeitet daran, Häuser durch Zonenheizung und Warmwassermanagement so effizient und komfortabel wie möglich zu machen. Das Unternehmen hat in seiner Partnerschaft mit dem norwegischen Energieversorger Istad Kraft maschinelles Lernen an einen anderen Teil des Problembereichs gebunden, um die Energiekosten zu optimieren. Das gesamte Portfolio der installierten Cosy-Lösungen erwärmt Wasser, wenn Strom günstig ist, halten angenehme Temperaturen für Hausbesitzer aufrecht und geben ihnen Smartphone-App-Benachrichtigungen und -Steuerung, um Komfort und Kosten in Einklang zu bringen.

Diesmal ein kurzer Sprung nach Dublin, Irland, zu Wattics, einem weiteren Startup aus dem Jahr 2011. Ihr Kernprodukt ist ein Cloud-Dashboard, das Energieverbrauchsdaten für Unternehmen integriert, analysiert und anzeigt. Das Unternehmen White Labels sein Produkt für Beratungsunternehmen und verkauft es an Versorgungsunternehmen und natürlich an Energiemanager von Unternehmen. Die meisten seiner Kunden befinden sich in Großbritannien und noch enger in Irland, aber es hat auch in Lateinamerika Fuß gefasst und expandiert. Teil seines Cloud-Portfolios ist eine Machine-Learning-Komponente für fortschrittliche Analysen und die Erkennung von Möglichkeiten zur Effizienzsteigerung.

Nach einer unvollständigen Tour durch die Britischen Inseln kehren wir nach Australien zurück, das mit maschinenlernfähigen Effizienzunternehmen über seinem Gewicht liegt. Dieses Beispiel der Rasse ist Tempus. Sein Ziel ist das Nachfragemanagement, um sowohl niedrige Stromkosten als auch niedrige CO2-Quellen in Einklang zu bringen.

„Die Tempus-Technologie verwendet intelligente Steuerungen, die mit unserem maschinellen Lernen (KI) zusammenarbeiten, um Marktpreise vorherzusagen und den nicht zeitkritischen Energieverbrauch automatisch an sauberere und günstigere Zeiten anzupassen.“

Das Unternehmen hat erfolgreiche Versuche in Australien und Südafrika abgeschlossen und erweitert diese auf landesweite, um Versorgungsunternehmen eine Nachfrageflexibilität von mehreren zehn MW zu bieten und gleichzeitig die CO2-Emissionen der Kunden um angeblich 21 % zu reduzieren.

Und jetzt geht es in ein anderes Cambridge, das in Massachusetts, USA, wo Julia Computing mit der Arbeit an einer Machine-Learning-Initiative für die Advanced Research Projects Agency-Energy (ARPA-E) des US-Energieministeriums beginnt. Im Fokus dieser geförderten Initiative steht erneut die Optimierung der HLK-Lasten. Interessanter als eine andere HLK-Machine-Learning-Initiative ist die Herkunft. Julia ist eigentlich eine leistungsstarke Open-Source-Analysesprache, die für Dinge wie maschinelles Lernen optimiert ist. Es hat weit über 10 Millionen Downloads und hat Hauptnutzer wie Blackrock, der mit einem Vermögen von 7 Billionen US-Dollar der größte Investmentfonds der Welt ist und kürzlich mit seiner Ankündigung, sein massives Portfolio auf Endinvestitionen zu verlagern, Schlagzeilen machte „hohes Nachhaltigkeitsrisiko.“Julia wird mit den Machine-Learning-GPUs von NVidia geliefert. Die Climate Modeling Alliance von Caltechs hat kürzlich angekündigt, dass Julia die Sprache für die nächste Runde ihres millionenschweren Klimamodells sein wird. Diese Provenienz bedeutet, dass schnell ein sehr robustes Modell entstehen könnte, das möglicherweise ohne kommerzielle Bedingungen allgemein verfügbar ist. Es ist noch zu früh, um das mit Sicherheit zu sagen, aber es könnte ein weit verbreiteter Game-Changer für die HLK-Effizienz sein.

Da sind mehr. 75F aus Minnesota ist ein maschinenlernfähiges gebäudeverwaltetes System. Mixergy verfügt über einen intelligenten Warmwasserbereiter. Evolve Energy ist eigentlich ein modernes Versorgungsunternehmen, das maschinelles Lernen einsetzt, um seine Kundennachfrage mit billiger erneuerbarer Energie mit sehr geringen Gemeinkosten zu optimieren. Zweifellos gibt es mehr in China, was diesem riesigen Markt und wahrscheinlich anderen asiatischen Ländern mehr Effizienz verleiht. Und zweifellos werden noch mehr entstehen.