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.
