Pronóstico de energía adaptativa al clima en edificios verdes mediante aprendizaje de transferencia Seq2Seq mejorado...

Área de la Ciencia:

• Ciencias de la construcción
• Inteligencia artificial
• Energía sostenible

Sus antecedentes:

• La previsión del consumo de energía en edificios verdes es compleja debido a las interacciones entre el clima y los patrones temporales de uso de energía.
• Los modelos existentes luchan con las dependencias a largo plazo y las diversas condiciones climáticas, lo que limita la aplicación práctica.
• La previsión precisa es crucial para optimizar la gestión energética y reducir el impacto ambiental de los edificios.

Objetivo del estudio:

• Desarrollar un marco de pronóstico integrado para edificios verdes utilizando técnicas avanzadas de IA.
• Mejorar la precisión y adaptabilidad de las predicciones del consumo de energía en diversas zonas climáticas.
• Mejorar la eficiencia energética y reducir las emisiones de carbono en el sector de la construcción mediante una mejor gestión de la energía.

Principales métodos:

• Implementó una arquitectura de secuencia a secuencia (Seq2Seq) integrada con el aprendizaje por refuerzo y el aprendizaje de transferencia.
• Utilizó redes de memoria a corto plazo (LSTM) con mecanismos de atención para modelar dependencias temporales y variabilidad climática.
• Los empleados transfieren el aprendizaje para permitir la adaptación a diferentes zonas climáticas y tipos de edificios.

Principales resultados:

• Se logró una precisión del 96,2%, un error cuadrado medio de 0,2635 y un coeficiente de determinación (R2) de 0,98 en conjuntos de datos de edificios verdes públicos.
• Demostró fuertes capacidades de generalización en diversas condiciones climáticas y tipos de edificios.
• Se observó un aumento del 15-20% en RMSE durante eventos climáticos extremos, lo que pone de relieve una limitación.

Conclusiones:

• El marco propuesto mejora significativamente la previsión del consumo de energía en los edificios verdes, ofreciendo un potencial para mejorar la gestión de la energía.
• El estudio pone de relieve la aplicabilidad del marco a los edificios con una infraestructura fiable de sensores y datos históricos suficientes.
• Las investigaciones adicionales podrían centrarse en mejorar el rendimiento durante los fenómenos meteorológicos extremos y reducir los requisitos de datos.