在沒有人為干預的情況下，如何解決復雜的建筑問題，例如能源效率?如何更好地了解建筑物能耗模式，并獲得解決低效率所需的洞察力?機器學習或許是答案。

機器學習(ML)分析技術在商業建筑行業正逐漸占據一席之地，這是因為它具有發現模式、生成準確預測并自動響應這些預測的尖端能力。根據美國能源部的說法，“通過更有效地使用現有控件和部署高級控件，可以消除多達30%的建筑能耗”，而通過使用機器學習可以大大提高這一點。

[[381190]]

將智能分析平臺與先進的機器學習功能集成在一起，可以幫助您發現原本就不明顯的節能機會，同時最大限度地減少了對人工干預的依賴(以識別和解決運營問題)。

機器學習的力量

利用機器學習來提高建筑能效始于數據分析。機器學習算法不斷整合和分析來自各種來源(例如設備、傳感器和設備)的數據，以完善可挖掘趨勢和識別異常的內部模型。隨著時間推移，它使分析系統可以了解建筑物的運行方式并檢測過度的能源使用，識別運營支出(OPEX)節約機會，并為復雜問題推薦解決方案。

隨著分析系統對建筑物的深入了解，高級算法可以執行越來越復雜的學習過程，并使用數據模式自動調整運行設定值、啟動運行并對建筑系統和設備行為進行更改。而且獲得有關系統或設備的數據越多，您的系統就越好。

機器學習如何提高建筑能源效率

在一個由建筑設備和自動化系統組成的復雜網絡中，機器學習對于改善運營至關重要。特別是，它可以成為減少能源使用和改善整體能源管理的有力工具。

機器學習可以優化建筑能效的四種主要方式是：

(1) 預測能源消耗

機器學習的主要應用之一是能耗預測。機器學習分析可以使用建筑物的歷史能耗數據來揭示趨勢并預測未來的能耗。當實際能耗高于預期時，可能表明效率低下。

(2) 監測和預測故障

建筑物中的設備、傳感器會生成大量數據，并會在設備發生故障時觸發警報通知。高級分析會對這些數據進行組織、分析和優先排序，以產生有意義的見解并隔離漏洞和故障點。值得注意的是，機器學習可以超越傳統的故障檢測，并通過標記早期和與歷史趨勢相關的偏差來提前提醒系統和設備故障，以防發生故障。這對于避免災難性故障、防止能源浪費和最大限度地減少停機時間至關重要。

預測分析對于高消耗目標尤其有價值，如暖通空調設備，其約占美國商業設施能耗的40%。傳統的模型和基于規則的策略通常不會提供先發制人的干預機會，這可能會在故障被識別之前造成大量的能源浪費。

(3) 季節性建模

居住者的需求和最佳建筑條件一年到頭都在變化，這為季節性低效敞開了大門。季節性建模涉及將設定值與季節性條件相關聯以適配這些變化。具有機器學習功能的連續分析可以確保無需人工干預的長期效率。

(4) 預制冷或預加熱建模

機器學習可以根據歷史暖通空調和溫度傳感器數據(考慮到天氣和占用情況)創建建筑物的預制冷卻或預加熱模型。使用此模型，可以設置自動操作控制并自動調整，以便根據預測的近期條件預先加熱或冷卻您的建筑。例如，設施可以在預期的熱浪到來之前自動預制冷，或根據即將到來的入住人數變化進行預加熱。

機器學習驅動的分析系統從一組設備收集數據的時間越長，有關該設備如何、何時以及為何運行的歷史數據就越多，從而可以做出更準確的預測和更好的調整。

優化您的建筑能效

通過部署像onPoint Analytics這樣的分析平臺，您可以利用機器學習的力量來實現能源效率目標。onPoint是一個智能分析平臺，將機器學習與深厚的領域知識相結合，可以提供有意義的見解，并可以為日常建筑運營創建實用的效率策略。借助最先進的分析功能，onPoint可以自動簡化運營并減少整個機構的能源消耗。