LEO

Pētījums Nr. 1.3 “Sensoru risinājuma un prognozējošo modeļu izstrāde optimālai ēku energoefektivitātes pārvaldībai”

Pētījuma nosaukums: Sensoru risinājuma un prognozējošo modeļu izstrāde optimālai ēku energoefektivitātes pārvaldībai

Pētījuma īstenotājs	Attiecināmās izmaksas, EUR	Publiskais finansējums, EUR
SAF TEHNIKA AS	270.000,00	168.500,00
Rīgas Tehniskā universitāte	30.000,00	19.500,00

Pētījuma mērķis

Projekta mērķis ir izstrādāt paņēmienu, kas ļauj novērtēt ēkas termodinamiskās uzvedības prognozēšanai nepieciešamo sensoru skaitu, tipu un izvietojumu ēkā, lai nodrošinātu pieņemamu prognozes precizitāti.

Projekta galvenie uzdevumi ir :

izmantot partneru rīcībā esošo infrastruktūru – RTU ēku Zunda Krastmalā 10, lai to piesātinātu ar dažāda veida sensoriem (primāriem un sekundāriem, kas ļauj netieši novērtēt ēkas uzvedību un lietojumu),
izstrādāt ēkas uzvedības prognozējošu modeli vai modeļu ansambli, kas ļauj ar statistiski nozīmīgu precizitāti prognozēt ēkas uzvedību, kas izteikta projekta ietvaros definētu mērījumu terminos, piemēram, ēkas lietošanas zonu temperatūra, zonu elektroenerģijas patēriņš u.c.,
metodes vai paņēmiena izstrāde minimālā nepieciešamā sensoru daudzuma un veida noteikšanai,
metodes aprobācija projekta partneru rīcībā esošajās ēkās vai ēkā un statistiski pamatotu secinājumu veikšana par metodes vai paņēmiena praktisku izmantošanu nākotnes produktu izstrādei un integrēšanai.

Pētījuma progress

30.06.2023.

Analizējot zinātniskos rakstus atklāti vairāk par 120 algoritmiem šādās galvenajās grupās:

regresijas metodes;
atbalsta vektoru mašīnas;
mākslīgie neironu tīkli;
dziļā mašīnmācīšanās;
klasifikācijas kokos sakņotas metodes;
hibrīdas metodes;
autoregresīvas metodes;
izplūdis laikrindu modelis.

Izpētītas arī algoritmu prognožu novērtēšanas kvalitātes metodes:

vidējās kvadrātiskās kļūdas variācijas koeficients (CVRMSE – Coefficient of Variation of Root Mean Square Error), kas standartizē (ar novirzes starpniecību) sagaidāmo kļūdu un sniedz novērtējumu, kas nav atkarīgs no mērvienībām;
vidējā absolūtā procentuālā kļūda (MAPE – Mean Absolute Percentage Error), kas sniedz relatīvu kļūdas novērtējumu starpībai starp sagaidāmo un novēroto vērtību, mazinot absolūtās kļūdas ietekmi;
vidējā absolūtā kļūda (MAE – Mean Absolute Error), kas sniedz novērtējumu starpībai starp sagaidāmo un novēroto vērtību;
saknes vidējā kvadrātiskā kļūda (RMSE – Root Mean Square Error), kas ir visplašāk izmantotais sagaidāmās kļūdas novērtējums un ļaujot samazināt individuālu ekstremālu vērtību ietekmi;
determinācijas koeficients (R2) – kopējā dispersija vērtībām, kas ir izskaidrojamas ar regresijas modeli.

Pētījuma ietvaros veikta arī sensoru datu priekšapstrāde ar mērķi pārbaudīt sākotnējās hipotēzes par sensoru mērījumu līdzību un gūt argumentāciju sensoru izvietojuma metodes izstrādei, kas ļauj dažus no sensoriem izslēgt no sistēmas, jo to mērījumi ir tuvi viens otram un nav nepieciešams tos dublēt. Īstenotas vairākas salīdzināšanas iterācijas, kas ļauj noteikt atsevišķu sensoru ciešu līdzību un to potenciālu savstarpēju aizvietojamību. Tāpat arī noteikti salīdzinošu atšķirīgu mērījumu sensori.

Rīgas Tehniskā universitāte pētījuma ietvaros veica esošo sensoru datu analīzi ar mērķi noteikti līdzības datos. Tas ļautu noteikt, kuru sensori ir savstarpēji redundanti un potenciāli var tikt aizvietoti viens ar otru. Salīdzināšanai tika izmantotas dažādas metrikas, kas balstās uz mērījumu absolūto vērtību salīdzināšanu, kā arī diferences salīdzināšanu. Sākotnējās apstrādes rezultātā tika noteiks, ka vismaz 10 – 15% sensoru faktiski dublē viens otra mērījumus, kas ļauj to savstarpēji aizvietot. Tāpat tika veikta vienkārša datu izlīdzināšana un algoritmu ARIMA un SARIMA izmēģināšana, lai noteikti, vai tie ir piemērojami ticamas prognozes iegūšanai. Tika noteikts, ka algoritmi sniedz labu prognozi, kas lielā mērā atbilst sākotnējām hipotēzēm. Nākošajā posmā plānots papildināt kopējo sensoru skaitu, eksperimentāli pārbaudīt citas metrikas datu salīdzināšanai, kā arī izmantot sarežģītākus algoritmus prognozēs iegūšanai. Par paveikto sagatavota un iesniegta posma atskaites dokumentācija.

31.12.2023.

Rīgas Tehniskās universitātes (RTU) telpās Zunda Krastmalā 10, Rīgā, ir uzstādīts sensoru komplekts – uzstādītas un konfigurētas divas jaunas bāzes stacijas, pārslēgti esošie sensori, pārsauktas esošās bāzes stacijas un uzstādīti 70 jauni CO₂ sensori, 6 T/RH sensori un 27 diferenciālā spiediena sensori.

Veikta daudzu sensoru N:M modeļa izveide ar LSTM bāzi.

Soļu veidā aprakstīta un RTU starptautiskajā konferencē prezentēta sensoru skaita paņēmiena izstrāde.

Izstrādāts temperatūras sensora prototips ar četrām ligzdām, nodrošinot iespēju katrai no ligzdām pieslēgt patvaļīgas ģeometrijas un specifikācijas PT100 temperatūras zondi.

Noteikti vairāki sensori, kas var tikt aizstāti ar citu sensoru datiem, faktiski nezaudējot mērījumu kvalitāti (aizvietojamo sensoru skaits ir apmēram 60%).

Sensoru rādījumu līdzības novērtēšanai izmantota papildu metrika – laika dinamiskā deformācija, salīdzinot sensoru datus pa stāviem, kā arī dažādu stāvu sensoru datus.

Secināts, ka, izmantojot salīdzinoši vienkāršas metodes, iespējams noteikt, kuru sensoru lietojums un uzstādīšana ir būtiska, bet kuri ir savstarpēji aizvietojami.

Izmantojot LSTM metodes, izstrādāti divi prognozējošie modeļi un veikta to izmēģināšana, izstrādāta programmatūra, izmantojot PyTorch pakotni, kas būtiski vienkāršo modeļu pielietošanu. Pārbaudīts un secināts, ka izstrādātie modeļi ir izmantojami tālākām izstrādnēm kā precizitātes mērs, lai mērītu konkrētu sensoru izslēgšanas no sistēmas sekas uz prognozēšanas precizitāti.