Edifícios americanos consomem cerca de 40 por cento da energia dos EUA, muito do que é gasto em aquecimento, resfriamento, e ventilação. Métodos de controle aprimorados podem ajudar a reduzir o consumo de energia. O Controle Preditivo Modelo (MPC) mostrou potencial para reduzir substancialmente o uso de energia em edifícios. Contudo, não foi amplamente adotado devido a uma série de desafios de implementação.

Recentemente, PNNL demonstrou que o aprendizado profundo pode ser usado para superar alguns desses desafios, pavimentando o caminho para uma adoção mais ampla de MPC em edifícios. "Para uma aplicação bem-sucedida em edifícios, o método deve ser mais barato e mais fácil de implementar, e esse tem sido o foco do nosso trabalho, "explica Jan Drgona, um associado de pesquisa de pós-doutorado do PNNL.

MPC tradicional baseado em física e seus desafios

MPC otimiza o controle sobre um horizonte de tempo recuado, e em um edifício, o método pode otimizar o controle para as próximas 24 horas em intervalos de 15 minutos. A MPC usaria um modelo do edifício para avaliar seu desempenho nas próximas 24 horas sob diferentes estratégias de controle para ocupação fixa e pressupostos climáticos. As configurações de controle para os primeiros 15 minutos são implementadas, a resposta do edifício é medida, e o processo é repetido com condições iniciais atualizadas e previsões meteorológicas.

Uma parte crítica do MPC é o próprio modelo. MPC foi inicialmente usado para otimizar processos químicos industriais por meio de modelos baseados na física. O MPC baseado na física também se mostrou eficaz em edifícios. Na verdade, os testes de campo conduzidos pela KU Leuven University em um prédio de escritórios na Bélgica mostraram uma economia de energia de até 50 por cento. O MPC também melhorou o conforto térmico no edifício, mantendo as temperaturas mais próximas dos limites prescritos, que pode melhorar a produtividade e o bem-estar dos ocupantes.

A implantação do MPC em uma grande parte do estoque do prédio não foi possível devido aos altos custos de instalação. Cada edifício é único e requer seu próprio modelo baseado em física personalizado. Modelos baseados em física são computacionalmente caros, limitar o número de alternativas de estratégia de controle que podem ser exploradas e muitas vezes requer hardware dedicado.

Uma solução potencial?

Uma equipe de pesquisa de Jan Drgona, Draguna Vrabie do PNNL, e Lieve Helsen, da KU Leuven, desenvolveu uma abordagem que supera os desafios computacionais do MPC. A equipe usou MPC baseado em física para treinar modelos de redes neurais de aprendizado profundo.

Os modelos de redes neurais geram ações de controle que se aproximam daquelas produzidas pelo MPC baseado em física, mas o fazem muito mais rapidamente, usando significativamente menos poder de computação. Em termos leigos, os pesquisadores estão ensinando o aprendiz barato (rede neural) a imitar o comportamento do especialista muito mais caro (MPC baseado na física).

"Acabamos com um controlador inteligente de alto desempenho com apenas uma fração do custo de execução do Controle Preditivo de Modelo clássico, "Drgona diz.

Ele adiciona, "Ainda há muito trabalho a ser feito para alcançar a robustez, métodos escaláveis ​​aplicáveis ​​a sistemas de construção em grande escala. Ao aplicar esses métodos, estamos no caminho certo para reduzir os custos de engenharia e alcançar uma solução genérica que está amplamente disponível para a comunidade de controle de edifícios. "

Drgona e seus colegas discutiram seus métodos em "Removendo a complexidade de implementação do modelo de controle preditivo baseado na física para edifícios por meio do aprendizado profundo." Este artigo foi apresentado em uma sessão de workshop na Conferência sobre Sistemas de Processamento de Informação Neural em Vancouver, Canadá, em dezembro de 2019.