Obecné řízení vytápění

Podobně, jako se dají prediktivně řídit tepelná čerpadla, je možné řídit jakýkoliv systém vytápění. Potřeby vytápění či chlazení neurčuje jen vnitřní a venkovní teplota, ale i další povětrnostní vlivy jako intenzita slunečního svitu, síla větru a vlhkost. Další skupinou ovlivňující vytápění jsou vlivy vnitřní, jako je obsazení místností, denní doba nebo četnost pohybu osob.

Jako u všech dalších oblastí se snažíme mít o systému co nejvíce informací, tyto informace uchovávat a na jejich základě nechat umělou inteligenci vypracovat prediktivní modely chování budovy na základě všech vlivů. A za pomoci těchto modelů poskytovat optimálnější řídící veličiny pro vlastní ovládání.

S čím vším může strojové učení pomoci?

Vytvoření modelu tepelných ztrát a akumulace

Algoritmy strojového učení umožňují na základě historických dat vytvářet modely chování budovy a zahrnout do nich obrovské množství vstupních podmínek. S takto vytvořeným modelem se následně pracuje v dalších fázích optimalizací.

Zvyšování energetické účinnosti

U zařízení jako jsou tepelná čerpadla, klimatizace či vzduchotechnika je možné významným způsobem ovlivnit účinnost vyhledáváním vhodných vnějších podmínek pro jejich běh. Řídící systém si sám najde nejvhodnější podmínky, aby vykryl očekávané potřeby, ale běžel s maximální možnou účinností.

Využívání nejnižších cen energií

Pokud se cena energií mění v čase, což může být například při spotových cenách anebo u některých typů centrálního vytápění, dokáže systém využít akumulačních schopností a minimalizuje odběr energie v intervalech vysokých cen. Vše se samozřejmě musí provést tak, aby nedošlo ke snížení vnitřního komfortu.

Zvýšení komfortu

Prediktivní modely chování budovy umožňují upravit úroveň vytápění dopředu, například pokud se očekává slunečný den. To pomáhá nejen zvýšit komfort, ale i ušetřit významné náklady za energie.

Přizpůsobení se pohybu osob anebo dokonce konkrétním osobám

V kombinaci s detektory prezence je možné vytápění řídit podle preferencí konkrétních osob nebo například modifikovat model tepelných ztrát na základě zvýšeného pohybu osob.

Prediktivní údržba a detekce anomálií

Strojové učení může také pomoci identifikovat potenciální problémy s vytápěcím systémem dříve, než se stanou problémem závažným. Tím se může předejít odstávkám a nákladným opravám.

Splnění zelených závazků

Optimalizací využití energie, můžete pomoci snížit emise skleníkových plynů spojené s vytápěním. To je důležité pro ochranu životního prostředí a boj proti změně klimatu.