Analityka inteligentnego domu dla gospodarstw domowych dbających o zużycie energii: jak modele lokalne zmieniają planowanie codziennych czynności

Lokalne modele energii zmieniają planowanie codziennych czynności, łącząc wzorce zużycia energii w gospodarstwie domowym z kontekstem, dzięki czemu rekomendacje są aktualne, prywatne i dostosowane do powtarzających się zachowań.

Dom może rejestrować zużycie energii w całym budynku, obecność osób w pomieszczeniach, stan termostatu, produkcję energii słonecznej oraz zdarzenia związane z urządzeniami co kilka sekund. Miesięczne sumy pokazują, ile energii zużyto, ale rzadko wyjaśniają, która rutyna spowodowała szczytowe zużycie. Lokalny model może zestawić te strumienie danych blisko ich źródła, a następnie zasugerować zmianę, gdy domownicy wciąż pamiętają warunki, w jakich wystąpiło dane zdarzenie.

Dlaczego zbiorcze sumy zużycia energii ukrywają rutynę stojącą za szczytowym poborem

Dzienna suma łączy gotowanie, pranie, ogrzewanie, ładowanie i pobór w trybie czuwania w jedną liczbę. Dwa dni mogą charakteryzować się takim samym zużyciem energii, nawet jeśli jednego dnia pobór koncentruje się w drogim wieczornym przedziale, a drugiego rozkłada się na okres produkcji energii słonecznej. Planowanie rutyn wymaga więc informacji o czasie i kontekście, a nie tylko sum.

Nieinwazyjne monitorowanie obciążenia szacuje aktywność poszczególnych urządzeń na podstawie zbiorczych sygnałów elektrycznych. Badania opisują deagregację obciążenia jako sposób wnioskowania o zużyciu poszczególnych urządzeń bez instalowania licznika na każdym z nich, choć podobne urządzenia mogą generować nakładające się sygnatury.

Po rozdzieleniu prawdopodobnych obciążeń system może połączyć szczytowy pobór z powtarzalnym zdarzeniem, takim jak jednoczesne korzystanie z piekarnika i ładowanie pojazdu. Zamienia to wykres w hipotezę dotyczącą zachowania, ale nie dowodzi jeszcze, która zmiana harmonogramu pozwoli oszczędzić energię.

Jak lokalny kontekst zmienia wykrywanie w porady dotyczące rutyny

Lokalny potok danych może łączyć próbki zużycia energii z obecnością osób, pogodą, okresami obowiązywania taryf, nadwyżką energii słonecznej i stanem urządzeń. Przydatna zależność jest warunkowa: uruchomienie zmywarki później może pomóc przy taryfie zależnej od pory korzystania z energii, podczas gdy w innym domu wcześniejsze uruchomienie może lepiej wykorzystać południową produkcję energii słonecznej. Rekomendacja zmienia się, ponieważ zmienia się kontekst.

Badania porównawcze dotyczące modeli dostosowanych do konkretnego gospodarstwa domowego pokazują, że skuteczność modelu zależy od sygnatur urządzeń oraz danych gospodarstwa wykorzystanych do trenowania. Lokalny model może zachować specyficzne dla danego gospodarstwa wzorce, zamiast traktować każdy czajnik, pompę ciepła czy obciążenie w trybie czuwania jako element wymienny.

Wynikiem powinna być ograniczona sugestia: przenieś to elastyczne obciążenie na ten przedział czasowy, przy tych warunkach taryfowych i wymaganiach dotyczących komfortu. Nie powinno to być ogólne polecenie ograniczenia zużycia energii, ponieważ to ograniczenia gospodarstwa domowego decydują, czy wykryta możliwość jest rzeczywiście wykonalna.

Gdzie modele wzorców zużycia energii mogą błędnie interpretować codzienne życie

Ślady zużycia energii są obserwacjami pośrednimi. Goście, urlopy, uszkodzona sprężarka, nowe urządzenie lub jedna osoba pracująca z domu mogą zerwać zależność między wczorajszym wzorcem a jutrzejszą rutyną. Model wytrenowany na stabilnych tygodniach może uznać uzasadnioną zmianę za marnotrawstwo albo nie wykryć nowego źródła zapotrzebowania.

Badania dotyczące zbiorczych szacunków obciążenia w budynkach mieszkalnych podkreślają, że sygnały zbiorcze służą do szacowania, a nie bezpośredniego pomiaru zużycia energii przez urządzenia. Podobna moc znamionowa, jednoczesne włączanie i wyłączanie oraz próbkowanie z niską częstotliwością mogą ograniczać możliwość rozdzielenia sygnałów, dlatego pewna etykieta nie jest równoznaczna ze zweryfikowanym zdarzeniem dotyczącym urządzenia.

To granica automatyzacji: należy ją zatrzymać, gdy pewność identyfikacji jest niska, gdy zmienia się komfort lub gdy wzorzec jest nowy. W takich przypadkach model powinien pokazać przedział danych stanowiący podstawę decyzji i poprosić o potwierdzenie, zamiast po cichu zmieniać harmonogram urządzenia w gospodarstwie domowym.

Featured

ZimaCube 2 Osobisty domowy NAS w chmurze

ZimaCube2

$799.00 - $2,499.00

Buy Now

Przeprowadź siedmiodniowy test zmiany rutyny

Wybierz jedno powtarzalne, elastyczne obciążenie, jeden mierzalny cel i jedno ograniczenie. Przez siedem porównywalnych dni rejestruj jego bieżącą godzinę uruchomienia, zużycie energii, koszt według taryfy lub pokrywanie się z produkcją energii słonecznej oraz wpływ na komfort. Następnie przez kolejnych siedem dni zmień wyłącznie regułę dotyczącą czasu uruchomienia, pozostawiając urządzenie i metodę pomiaru bez zmian.

Przechowuj surowe odczyty i etykiety zdarzeń na serwerze, zgodnie z tą samą zasadą, która obowiązuje, gdy rośnie liczba czujników. Porównuj mediany zamiast pojedynczego najlepszego dnia i oznaczaj dni, w których byli goście, wystąpiła nietypowa pogoda lub brakuje danych z czujników.

Wprowadź rekomendację tylko wtedy, gdy cel ulegnie poprawie bez naruszenia określonego ograniczenia. Jeśli wynik znika po wykluczeniu nietypowych dni, model wykrył korelację, a nie niezawodną możliwość zmiany rutyny; zachowaj tę obserwację, ale nie automatyzuj jej.