Az összes bejegyzés Mérés & adatok

Hogyan tanulja meg egy AI rendszer egy épület viselkedését?

Amikor azt mondjuk, hogy a rendszer “megtanulja” egy épület viselkedését, ez nem egy homályos marketingkifejezés — egy konkrét, magyarázható folyamatot jelent, amit érdemes tisztán látni, mielőtt bárki rábízná az épület üzemeltetését.

Az alapmodell: mi a “normális”?

Az első lépés nem a hibakeresés, hanem a normál működés feltérképezése. Néhány hét mérési adatából a rendszer felépít egy időjárás-normalizált alapmodellt minden mért zónára és rendszerre: mennyi energiát használ egy adott zóna adott külső hőmérsékleten, adott napszakban, adott hét napján.

Ez a lépés kritikus, mert egy épület fogyasztása természetesen ingadozik — egy hideg hétvége több fűtési energiát igényel, mint egy meleg hétköznap, és ez nem hiba, hanem várható viselkedés.

Mi számít eltérésnek?

Az alapmodell felépülése után a rendszer minden új mérési pontot ehhez a modellhez hasonlít, nem egy fix küszöbértékhez. Ez a különbség számít:

  • Egy fix küszöb (“riasszon, ha a fogyasztás 20%-kal nő”) hamis riasztásokat generál hideg napokon, és elmulaszt valódi hibákat meleg napokon.
  • Egy modellalapú összehasonlítás azt kérdezi: ezen a napszakon, ezen a hőmérsékleten, ez a fogyasztás normális-e ehhez a zónához?

A cél nem az, hogy minden ingadozásra jelezzen a rendszer — hanem az, hogy csak azokra jelezzen, amelyek tényleg számítanak.

Konkrét hibatípusok, amelyeket ez felfed

A gyakorlatban ez a megközelítés jellemzően a következő típusú problémákat tárja fel, gyakran hetekkel-hónapokkal azelőtt, hogy valaki panaszt tenne:

  • Elakadt szelep vagy zsalu — a fűtés vagy hűtés részlegesen nyitva marad, folyamatosan pluszterhelést okozva, anélkül, hogy teljesen meghibásodna.
  • Ütemezés-eltolódás (drift) — egy időzítő fokozatosan elcsúszik a valós használati mintától, gyakran egy karbantartás vagy szoftverfrissítés után.
  • Fokozatosan romló hatásfok — egy berendezés teljesítménye lassan csökken, ami egyetlen napon nem lenne észrevehető, de heteken át összeadódik.

Az ilyen mintákról, és arról, miért mutat mást a mérés, mint egy statikus dokumentum, egy korábbi írásunkban írtunk.

Amit egy jó anomáliadetektálástól érdemes elvárni

  • Magyarázható legyen: ne csak azt mondja, hogy “probléma van”, hanem azt is, melyik zónában, mikor kezdődött és mekkora a mértéke.
  • Vegye figyelembe az időjárást és a naptári mintákat — hétvége, ünnepnap, szezonváltás.
  • Rangsorolja a jelzéseket energetikai hatás szerint, ne csak statisztikai szignifikancia szerint.

Miért nem “fekete doboz”

Fontos leszögezni: a cél nem az, hogy egy megmagyarázhatatlan AI-modell döntsön az épület felett. A BIS rendszerében minden jelzés visszakövethető a mögötte álló mérési adatig és az alapmodell konkrét eltéréséig — az üzemeltető pontosan látja, miért jelzett a rendszer, nem csak azt, hogy jelzett.

Ez az egész folyamat egy nagyobb, ötlépéses ciklus egy eleme — a mérés, elemzés, beavatkozás, optimalizálás és igazolás lépéseiről ebben az írásunkban olvashat részletesebben.

Ha kíváncsi, milyen mintákat találna a rendszer az Önök épületében, keressen meg minket.

Beszéljünk az Önök épületéről

Kapcsolatfelvétel