Интеграция искусственного интеллекта в управление энергоэффективностью строительных объектов: экономический и технологический анализ
Ключевые слова:
искусственный интеллект, энергоэффективность зданий, машинное обучение, предиктивная аналитика, экономическая оценка, устойчивое строительство, цифровая трансформацияАннотация
Рост энергопотребления в строительном секторе, на который приходится около 40% мирового потребления энергии, актуализирует поиск инновационных подходов к повышению энергоэффективности зданий. Современные исследования демонстрируют значительный потенциал применения технологий искусственного интеллекта (ИИ) для оптимизации энергопотребления на всех этапах жизненного цикла строительных объектов. Настоящее исследование направлено на комплексный анализ эффективности интеграции алгоритмов машинного обучения в системы энергоменеджмента зданий и экономическую оценку внедрения таких решений. Методология исследования включала многоуровневый анализ данных энергопотребления 47 коммерческих объектов, оборудованных интеллектуальными системами управления, сравнительное моделирование энергопотребления с использованием различных алгоритмов машинного обучения и экономический анализ по методике совокупной стоимости владения. Результаты демонстрируют, что внедрение предиктивных моделей на основе алгоритмов глубокого обучения обеспечивает снижение энергопотребления на 23,7% (±2,1%) по сравнению с традиционными системами автоматизации. Экономический эффект при комплексном внедрении интеллектуальных систем составляет в среднем 187,5 руб/м² в год с периодом окупаемости 2,3 года для коммерческой недвижимости. Установлена корреляция (r=0,78) между точностью прогнозирования энергопотребления и экономической эффективностью внедрения. Проведенное исследование формирует методологическую основу для интеграции технологий ИИ в энергоменеджмент зданий и обосновывает экономическую целесообразность масштабного внедрения подобных решений в российском строительном секторе.
Библиографические ссылки
Ahmad T., Chen H., Guo Y., Wang J. A comprehensive overview on the data driven and large scale based approaches for forecasting of building energy demand: A review // Energy and buildings. 2018. Vol. 165. рр. 301-320.
Amasyali K., El-Gohary N. A review of data-driven building energy consumption prediction studies // Renewable and sustainable energy reviews. 2018. Vol. 81. рр. 1192-1205.
Deb C., Zhang F., Yang J., Lee S.E., Shah K.W. A review on time series forecasting techniques for building energy consumption // Renewable and sustainable energy reviews. 2017. Vol. 74. рр. 902-924.
Ding Y., Zhang Q., Yuan T., Yang F. Effect of input variables on cooling load prediction accuracy of artificial neural network // Applied thermal engineering. 2018. Vol. 128. рр. 1159-1169.
Fan C., Xiao F., Zhao Y. A short-term building cooling load prediction method using deep learning algorithms // Applied еnergy. 2017. Vol. 195. рр. 222-233.
Fathi S., Srinivasan R., Fenner A., Fathi S. Machine learning applications in urban building energy performance forecasting: A systematic review // Renewable and Sustainable Energy Reviews. 2020. Vol. 133. рр. 110-287.
Gao X., Malkawi A. A new methodology for building energy performance benchmarking: An approach based on intelligent clustering algorithm // Energy and buildings. 2014. Vol. 84. рр. 607-616.
Guo Y., Wang J., Chen H., Li G., Liu J., Xu C., Huang R., Huang Y. Machine learning-based thermal response time ahead energy demand prediction for building heating systems // Applied еnergy. 2018. Vol. 221. рр. 16-27.
Luo X.J., Oyedele L.O., Ajayi A.O., Monyei C.G., Akinade O.O., Akanbi L.A. Development of an IoT-based big data platform for day-ahead prediction of building heating and cooling demands // Advanced engineering informatics. 2019. Vol. 41. рр. 100-926.
Oprea S.V., Bara A. Machine learning algorithms for short-term load forecast in residential buildings using smart meters, sensors and big data solutions // IEEE аccess. 2019. Vol. 7. рр. 177874-177889.
Runge J., Zmeureanu R. Forecasting energy use in buildings using artificial neural networks: A review // Energies. 2019. Vol. 12(17). рр. 32-54.
Sharif S.A., Hammad A. Developing surrogate ANN for selecting near-optimal building energy renovation methods considering energy consumption, LCC and LCA // Journal of building engineering. 2019. Vol. 25. рр. 100-790.
Wang Z., Srinivasan R.S. A review of artificial intelligence based building energy use prediction: Contrasting the capabilities of single and ensemble prediction models // Renewable and sustainable energy reviews. 2017. Vol. 75. рр. 796-808.
Wei Y., Zhang X., Shi Y., Xia L., Pan S., Wu J., Han M., Zhao X. A review of data-driven approaches for prediction and classification of building energy consumption // Renewable and sustainable energy reviews. 2018. Vol. 82. рр. 1027-1047.
Zhou K., Fu C., Yang S. Big data driven smart energy management: From big data to big insights // Renewable and sustainable energy reviews. 2016. Vol. 56. рр. 215-225.
