新论文详细描述了智能恒温器的图表显示了天气条件，控制系统，传感器和学习算法之间的相互作用，以优化建筑物的微气候。
智能恒温器可以快速学习如何针对能耗和用户喜好优化建筑物的微气候。
建筑物约占美国能源消耗的40％，占全球二氧化碳排放量的三分之一。使建筑物更节能不仅是节省成本的措施，而且是关键的缓解气候变化战略。因此，“智能”建筑的兴起正在日益成为世界各地的规范。
智能建筑使供暖，通风和空调（HVAC）等系统自动化；灯光;电;和安全性。自动化需要传感数据，例如室内和室外温度和湿度，二氧化碳浓度和占用状态。智能建筑结合了多种技术来利用数据，从而使它们更加节能。
由于HVAC系统几乎占建筑物能源消耗的一半，因此智能建筑使用智能恒温器，该恒温器可自动执行HVAC控制并可以了解建筑物居住者的温度偏好。
在《应用能源》杂志上发表的一篇论文中，麻省理工学院信息与决策系统实验室（LIDS）的研究人员与Skoltech科学家合作，设计了一种新的智能恒温器，该恒温器使用了数据有效算法，可以在一个温度范围内学习最佳温度阈值。星期。
“尽管物联网技术和数据分析技术近来取得了进步，但是智能建筑的实施却受到了建筑中数据获取过程的耗时的阻碍，”电子工程与计算机科学教授兼主任Munther Dahleh说道。数据，系统和社会研究所（IDSS）的代表。智能恒温器算法使用建筑物数据来学习如何最佳操作，但是收集数据可能要花费数月的时间。
为了加快学习过程，研究人员使用了一种称为流形学习的方法，其中复杂和“高维”函数由称为“流形”的简单和低维函数表示。通过利用多种学习方法和对建筑热力学的了解，研究人员用一组具有多个，更易于解释的参数的“阈值”策略代替了可以具有多个参数的通用控制方法。为学习最佳歧管而开发的算法需要较少的数据，因此它们的数据效率更高。
为恒温器开发的算法采用称为强化学习（RL）的方法，这是一种数据驱动的顺序决策和控制方法，近年来在掌握双陆棋和围棋等游戏方面引起了广泛关注。
“我们为计算机游戏提供了高效的仿真引擎，可以为RL算法生成大量数据，以学习良好的游戏策略，” LIDS的博士后，论文的主要作者Ashkan Haji Hosseinloo说。“但是，我们没有大数据可用于建筑物中的微气候控制。”
拥有机械工程学背景并接受过RL等方法的培训，Hosseinloo可以将统计信息和最新计算的见解应用于现实世界的物理系统。他说：“我的主要动机是通过提高这些系统的效率来减缓甚至预防能源和环境危机。”
智能恒温器的新RL算法是“事件触发”的，这意味着它们仅在某些事件发生时才做出决定，而不是按预定的时间表做出决定。这些“事件”是由达到阈值的某些条件定义的，例如房间温度超出最佳范围。Hosseinloo说：“这使得学习更新的频率降低，并使我们的算法的计算成本降低。”
计算能力是学习算法的潜在限制，计算资源取决于算法是在云中运行还是在设备本身（例如智能恒温器）上运行。Hosseinloo说：“我们需要既具有计算效率又具有数据效率的学习算法。”
节能建筑除了减少排放和削减成本外，还具有其他优势。建筑物的“小气候”和空气质量会直接影响建筑物占用者的生产力和决策绩效。考虑到许多大规模的经济，环境和社会影响，小气候控制已成为政府，建筑物管理者甚至房主的重要问题。
“新一代智能建筑旨在从数据中学习如何在最小的用户干预下自动操作，”合作作者Skoltech方面的教授Henni Ouerdane说。“学习型恒温器可以潜在地学习如何与其他HVAC设备配合使用，或者基于其对电价的预测来调节其设定点温度，从而节省能源和成本。”
侯赛因卢还认为，他们的方法和算法适用于机器人，自动驾驶汽车和交通运输等领域中其他基于物理的控制问题，在这些领域中，数据和计算效率至关重要。
参考：“建筑物微气候的数据驱动控制：“事件触发的强化学习方法”，由Ashkan Haji Hosseinloo，Alexander Ryzhov，Aldo Bischi，Henni Ouerdane，Konstantin Turitsyn和Munther A.Dahleh撰写，2020年7月25日，应用能源。DOI：
10.1016 / j.apenergy.2020.115451
这项研究是Skoltech与MIT的联合项目，是MIT Skoltech下一代计划的一部分。
