Se a previsão indicar chuva, você provavelmente levará um guarda-chuva. Se pedir frio, você pode trazer suas luvas. Esse mesmo tipo de preparação acontece em edifícios, onde sistemas sofisticados de aquecimento e resfriamento se ajustam com base no clima previsto.

Mas quando a previsão é imperfeita, como costuma acontecer, os edifícios podem acabar desperdiçando energia, assim como podemos nos encontrar molhados, com frio ou sobrecarregado com camadas extras de que não precisamos.

Uma nova abordagem desenvolvida por Fengqi You, professor de engenharia de sistemas de energia na Cornell University, prevê a precisão da previsão do tempo usando um modelo de aprendizado de máquina treinado com anos de dados sobre previsões e condições climáticas reais. Você combinou esse preditor com um modelo matemático que considera as características da construção, incluindo o tamanho e a forma dos quartos, os materiais de construção, a localização dos sensores e a posição das janelas.

O resultado é um sistema de controle inteligente que pode reduzir o uso de energia em até 10 por cento, de acordo com um estudo de caso que sua equipe conduziu no Toboggan Lodge, um prédio de quase 90 anos no campus de Cornell.

“Se o próprio edifício pudesse ser 'inteligente' o suficiente para conhecer as condições meteorológicas, ou pelo menos entender um pouco mais sobre as informações de previsão do tempo, poderia fazer ajustes melhores para controlar automaticamente seus sistemas de aquecimento e resfriamento para economizar energia e tornar os ocupantes mais confortáveis, " disse você, cujo papel, "Uma abordagem de otimização robusta baseada em dados para controle preditivo de modelo estocástico baseado em cenário, "publicado no Journal of Process Control .

"Por exemplo, se eu sei que o sol vai nascer muito em breve, vai estar quente, então provavelmente não preciso aquecer tanto a casa. Se eu sei que uma tempestade está chegando esta noite, então tento aquecer um pouco para manter um nível confortável, "Você disse." Tentamos tornar o sistema de energia inteligente, para que possa prever um pouco do futuro e tomar as melhores decisões. "

O primeiro autor do artigo é Chao Shang, anteriormente um associado de pós-doutorado Cornell no laboratório de You e agora um professor assistente de automação na Universidade de Tsinghua. Uma equipe de alunos de mestrado ajudou a desenvolver o estudo de caso do Toboggan Lodge, além de coletar anos de dados históricos de tempo e clima para treinar o modelo de aprendizado de máquina.

Com esta informação, o modelo pode detectar incerteza não apenas na temperatura, mas na precipitação, luz solar e diferenças nas condições por local. Com base no nível de incerteza na previsão, o modelo se ajusta de acordo.

"Mesmo o melhor sistema de previsão do tempo não vai lhe dar as informações mais precisas, "Você disse." Além disso, as informações da previsão do tempo geralmente são para uma determinada região, mas não para um local específico. "

Combinar os algoritmos de aprendizado de máquina e os métodos de programação matemática cria um sistema de controle que é mais preciso e "mais inteligente" do que qualquer um deles seria sozinho, Você disse. A estrutura tem aplicações potenciais na construção de sistemas de controle e controle de irrigação na agricultura, e poderia ser usado para um controle ambiental interno mais eficiente em fazendas verticais e fábricas que são cada vez mais populares nas grandes cidades.

"Não temos uma maneira perfeita de prever o tempo, então, a melhor coisa que podemos fazer é combinar IA e modelagem mecanística, "disse ele." Essas duas partes nunca foram harmonizadas de forma sistemática para controle automático e gerenciamento de energia. "