Artificiell intelligens inom energihantering: Nytt verktyg för prognoser

Artificiell intelligens (AI) har skapat rubriker överallt – från individer som använder ChatGPT för dagliga uppgifter till företag som utvecklar sina egna AI-motorer. Det förbises dock ofta att AI och maskininlärning (ML) har funnits ganska länge, med många verkliga tillämpningar som föregick ChatGPT:s lansering.

När det inte sker via en chatt kan vi ibland inte identifiera om det vi ser är beräknat genom AI-drivna processer, eftersom dessa system i grunden är beroende av statistiska och matematiska modeller.

I den här artikeln får du se några verkliga exempel på vad AI innebär för energihanteringen, bland annat vår nya prognosmodul, och du har möjlighet att anmäla dig till vårt kommande webbinarium.

Maskininlärning och AI inom energihantering

En av de enklaste formerna av ML är en linjär regressionsmodell – y = Ax + B – som de flesta ingenjörer känner till. Som du kanske kan föreställa dig sträcker sig disciplinen till ett brett utbud av mer sofistikerade tillvägagångssätt, inklusive neurala nätverk.

Med tanke på detta, hur är artificiell intelligens kopplad till energihantering?

Energihanteringssektorn kan dra stor nytta av AI-drivna lösningar. Bland de nyckelområden där AI-modeller visar sig vara viktiga är:

Skapande av baslinje för att följa protokoll som International Performance Measurement and Verification Protocol (IPMVP) för att påvisa energibesparingar.
Prognostisering av energiförbrukning eller energiproduktion.
Upptäcka avvikelser och ineffektivitet i byggnader.
Inlärning av byggnaders beteende under specifika omgivningsförhållanden.

Med tanke på att dessa olika användningsområden har funnits i många år och ofta har hanterats med hjälp av enkla modeller uppstår en relevant fråga: när ska vi välja dessa enkla modeller som linjära regressioner och när ska vi använda mer avancerade metoder?

Vissa regleringar dikterar ofta användningen av specifika modeller. Enligt IPMVP:s riktlinjer måste till exempel multipla linjära modeller (Ax+By+Cz+…+D) användas för att kvantifiera besparingar, även om andra metoder kan ge bättre resultat, dvs. ingen avancerad maskininlärning är ännu tillåten. För att underlätta denna process har Spacewell Energy utvecklat ABC-appen, som hjälper till att effektivisera skapandet av sådana ekvationer.

När det inte finns några rättsliga begränsningar är det dock viktigt att göra en avvägning mellan noggrannhet och de resurser som investeras. Det skulle till exempel vara ineffektivt att använda en mycket komplex modell för att förklara ett samband mellan två variabler, som att kontrollera om det finns ett samband mellan uppvärmningsgraddagar (DD) och elförbrukning. Mer avancerade modeller blir i stället värdefulla när förhållandet mellan input och output inte är okomplicerat, t.ex. vid energiprognoser.

Trots detta har vissa kunder uttryckt oro över att inte kunna kontrollera den modell som beräknar resultaten. Med en enkel baslinje kan de välja indata, de kan kalibrera modellerna själva och de kan enkelt se vilken effekt en förändring av indata kommer att få på utdata. Med komplexa ML-modeller är detta däremot inte möjligt, eftersom de ibland fungerar som en svart låda. Eftersom modellerna i sig kan ha flera dimensioner kan de inte representeras grafiskt eller genom en ekvation och ibland är det svårt att veta vilken effekt varje indata har på utdata.

Därför tillämpar vi på Spacewell Energy avancerad maskininlärning i de fall där det krävs för att lösa ett specifikt problem eller där det ger betydligt bättre resultat.

Ett praktiskt exempel: Nytt prognosverktyg i Spacewell Energy

Spacewell Energy lanserade nyligen ett prognosverktyg som kan förutse resursförbrukning och produktion (el, gas, vatten) under de kommande 10 dagarna, med hjälp av meteorologiska data.

Med hänsyn till all information som har delats i föregående avsnitt ville vi se skillnaden i resultat mellan enkla och komplexa modeller. För att göra det jämförde vi fyra prediktionsmetoder under 12 månader:

Enklast möjliga: Linjär regression (Ax + By + Cz + (…) + D)
Polynomregression (Ax + Bxy + ^Cz2 + (…) + D)
Mest komplexa: Två mer komplexa AI-modeller som erbjuds inom vårt prognosverktyg:
- AI-modell med bäst resultat i verktyget (den som visar lägst fel).
- Sämst presterande AI-modell i verktyget (den som uppvisar det högsta felet).

Resultaten visade att den AI-modell som gav bäst resultat ledde till en minskning av prognosfelen med 28% jämfört med andra metoder. Dessutom var det den modell som gav den bästa förutsägelsen under alla de 12 månader då de fyra modellerna utvärderades:

Felprocenten kanske inte hjälper dig att förstå hur mycket bättre den ena modellen är jämfört med den andra. För att vara tydligare visade vi också den grafiska skillnaden mellan modellerna. Nedan kan du se skillnaden mellan den bäst presterande AI-modellen och de andra, eftersom den är den första och den enda som kan följa den verkliga konsumtionskurvan:

I det här fallet bestämde vi oss för att använda de komplexa AI-modellerna eftersom de gav betydligt bättre resultat än de enklare modellerna.

Andra tillämpningar av artificiell intelligens inom energihantering

På Spacewell Energy har vi inte bara prognosfunktionen utan även fler AI-baserade produkter:

Optimise: vår motor för upptäckt av anomalier
Detect: vårt benchmarkingverktyg som hjälper till att identifiera lågt hängande frukter inom ett företags portfölj
Energioptimering (för närvarande endast i Spanien): Vårt verktyg som hjälper användare att identifiera den bästa kontrakterade energin för sina byggnader för att minimera energikostnaderna
ABC (Automatisk skapande av baslinjer): Vårt verktyg som hjälper till att skapa baslinjer som är kompatibla med IPMVP-protokollet.

Du kan lära dig mer om vårt prognosverktyg Optimise, Detect och ABC under vårt nästa webbseminarium den 20 mars.

AI har varit en del av energihanteringslandskapet under mycket längre tid än många inser, och ligger till grund för allt från skapande av baslinjer till upptäckt av avvikelser. Även om regleringar som IPMVP kräver enklare metoder som multipel linjär regression, finns det gott om bevis för att mer komplexa modeller kan överträffa dessa traditionella metoder när det inte finns några rättsliga begränsningar. Att balansera komplexiteten i dessa lösningar med behovet av transparens är fortfarande en viktig utmaning, eftersom avancerade maskininlärningsmodeller ofta är svåra att visualisera och tolka.

Trots detta illustrerar verkliga resultat de tydliga fördelarna med att anamma AI-driven innovation. Spacewell Energys prognosverktyg uppvisade till exempel en anmärkningsvärd förbättring på 28% i prognosprecision när man använde en mer avancerad modell istället för enklare metoder. Även om vissa användare inledningsvis kan tveka inför lösningar som de inte helt kan dekonstruera, bekräftar de tydliga vinsterna i effektivitet och tillförlitlighet att dessa avancerade AI-tekniker i många fall erbjuder den mest effektiva vägen framåt.

För att fortsätta prata om AI inom energihantering och den nya funktionen Forecast håller vi ett nytt webbseminarium den 20 mars. Registrera dig idag för att hålla dig uppdaterad om de senaste trenderna och innovationerna.