در دنیای امروز که بحث پایداری و کاهش هزینه‌ها داغ است، ساختمان‌های اداری یکی از بزرگترین مصرف‌کنندگان انرژی به‌ویژه در بخش تهویه و گرمایش یا همان HVAC محسوب می‌شوند. اما آیا راهی هست که ساختمان‌ها «هوشمندتر» عمل کنند؟ پژوهش جدیدی که بر روی یک ساختمان اداری انجام شده، نشان می‌دهد که کلید ماجرا در «پیش‌بینی آینده» نهفته است.
چالش بزرگ: چرا کنترل ساختمان سخت است؟
سیستم های تهویه سنتی معمولاً بر اساس قوانین ثابت کار می‌کنند؛ مثلاً «اگر دما از ۲۵ درجه گذشت، کولر را روشن کن». اما این روش ها چند مشکل بزرگ دارند:
- تغییرات ناگهانی: نوسانات دمای بیرون یا تعداد افراد حاضر در اتاق را به خوبی مدیریت نمی‌کنند.
- برق: به قیمت‌های متغیر برق در طول شبانه روز توجهی ندارند.
- کندی سیستم: گرم یا سرد شدن یک ساختمان بزرگ زمان بر است و روش‌های قدیمی معمولاً دیر به تغییرات واکنش نشان می‌دهند.
راهکار: هوش مصنوعی که با آزمون و خطا یاد می‌گیرد
محققان در این پروژه از یادگیری تقویتی عمیق (DRL) استفاده کرده‌اند. در این روش، یک «عامل هوشمند» در محیط ساختمان قرار می‌گیرد و با انجام کارهای مختلف و دریافت پاداش یا جریمه، یاد می‌گیرد که بهترین استراتژی چیست. برای این کار از یک بستر استاندارد و متن‌باز به نام BOPTEST استفاده شده است که اجازه می‌دهد الگوریتم ها در یک محیط شبیه سازی شده کاملاً واقعی تست شوند.
[تصویر: Fig. 1 – چارچوب مفهومی سیستم شبیه ساز BOPTEST]
مغز متفکر سیستم: الگوریتم SAC
در این تحقیق از الگوریتم پیشرفته‌ای به نام Soft Actor-Critic (SAC) استفاده شده است. این الگوریتم به دلیل توانایی بالا در مدیریت فضاهای پیوسته (مثل تغییرات آرام دمایی) انتخاب شده است. SAC با استفاده از یک مکانیزم هوشمند، سعی می‌کند همیشه بین «استفاده از دانش قبلی» و «جستجوی راه های جدید برای بهینه سازی» تعادل ایجاد کند تا در تصمیمات تکراری گیر نیفتد.
[تصویر: Fig. 2 – فرآیند آموزش و یادگیری الگوریتم هوشمند SAC]
نوآوری اصلی: وارد کردن اطلاعات پیش‌بینی به هوش مصنوعی
بسیاری از سیستم های هوش مصنوعی فقط به «زمان حال» نگاه می‌کنند. اما در این مقاله، محققان اطلاعات پیش‌بینی (مثل پیش‌بینی ۲۴ ساعته دمای هوا) را هم به سیستم داده‌اند.
برای اینکه هوش مصنوعی بتواند این «داده‌های آینده» را درک کند، از شبکه‌های عصبی حافظه دار به نام GRU استفاده شده است. این کار به سیستم اجازه می‌دهد تا به جای واکنشِ صرف، پیش دستی کند؛ مثلاً قبل از اینکه هوای بیرون خیلی گرم شود، ساختمان را کمی خنک کند (Pre-cooling).
[تصویر: Fig. 4 – روش پردازش داده‌های پیش‌بینی توسط شبکه‌های حافظه‌دار (GRU)]
پاداش هوشمند: تعادل بین راحتی و هزینه
یکی از بخش های جذاب این تحقیق، نحوه تعریف «موفقیت» برای هوش مصنوعی است. محققان یک تابع پاداش طراحی کردند که دو هدف را دنبال می‌کند:
- کاهش هزینه: قبض برق کمتر شود.
- آسایش ساکنان: دما همیشه در محدوده مطلوب (حدود ۲۲ درجه سانتی‌گراد) بماند.
آن‌ها حتی از یک مدل ریاضی (توزیع گوسی) استفاده کردند تا سیستم بداند هرچقدر دما از ۲۲ درجه فاصله بگیرد، جریمه بیشتری دریافت می‌کند.
[تصویر: Fig. 5 – ساختار تابع پاداش برای تنظیم دقیق دما روی نقطه هدف]
نتایج درخشان: اعداد سخن می‌گویند
این سیستم بر روی ۴ سناریوی مختلف (روزهای بسیار گرم، روزهای معمولی و…) تست شد و نتایج خیره کننده‌ای به دست آمد:
* ۱۴.۵٪ کاهش هزینه های عملیاتی: سیستم یاد گرفت در ساعاتی که برق ارزان‌تر است یا نیاز کمتری وجود دارد، مصرف را مدیریت کند.
* ۸۸.۴٪ بهبود در آسایش حرارتی: نوسانات دمایی که باعث نارضایتی ساکنان می‌شود، به شدت کاهش یافت.
* ۱۴.۲٪ عملکرد بهتر: نسبت به مدل هایی که از اطلاعات پیش‌بینی استفاده نمی‌کردند.
نتیجه گیری برای کسب‌وکارها
این تحقیق ثابت کرد که ترکیب «اطلاعات پیش‌بینی پذیر» با «هوش مصنوعی حافظه‌دار»، فقط یک بحث تئوریک نیست؛ بلکه ابزاری قدرتمند برای شرکت‌هایی است که به دنبال کاهش هزینه های انرژی و ارتقای کیفیت محیط کاری خود هستند. ساختمان های آینده، ساختمان هایی هستند که نه تنها به «الان» فکر می‌کنند، بلکه با نگاهی به «آینده»، بهینه ترین تصمیم را می‌گیرند.
«این مقاله بر اساس مطالعه پژوهشی اخیر با عنوان Successful application of predictive information in deep reinforcement learning control تدوین شده است که در ژورنال معتبر Energy منتشر شده است.»
منابع:
Gao, Y., et al. (2024). “Successful application of predictive information in deep reinforcement learning control: A case study based on an office building HVAC system”. Energy, 291, 130344.
DOI: 10.1016/j.energy.2024.130344
