Se le previsioni prevedono pioggia, probabilmente metterai in valigia un ombrello. Se richiede freddo, puoi portare i tuoi guanti. Lo stesso tipo di preparazione avviene negli edifici, dove sofisticati sistemi di riscaldamento e raffreddamento si regolano in base al tempo previsto.

Ma quando la previsione è imperfetta, come spesso accade, gli edifici possono finire per sprecare energia, così come potremmo ritrovarci bagnati, freddo o appesantito da strati extra di cui non abbiamo bisogno.

Un nuovo approccio sviluppato da Fengqi You, professore di ingegneria dei sistemi energetici presso la Cornell University, prevede l'accuratezza delle previsioni del tempo utilizzando un modello di apprendimento automatico addestrato con anni di dati sulle previsioni e sulle condizioni meteorologiche effettive. Hai combinato quel predittore con un modello matematico che considera le caratteristiche dell'edificio, comprese le dimensioni e la forma delle stanze, i materiali da costruzione, la posizione dei sensori e la posizione delle finestre.

Il risultato è un sistema di controllo intelligente in grado di ridurre il consumo di energia fino al 10%, secondo un caso di studio condotto dal suo team su Toboggan Lodge, un edificio di quasi 90 anni nel campus di Cornell.

"Se l'edificio stesso fosse abbastanza 'intelligente' da conoscere le condizioni meteorologiche, o almeno in qualche modo capire un po' di più sulle informazioni sulle previsioni del tempo, potrebbe apportare migliori regolazioni per controllare automaticamente i suoi sistemi di riscaldamento e raffreddamento per risparmiare energia e rendere gli occupanti più a loro agio, "dissi tu, la cui carta, "Un approccio di ottimizzazione robusto basato sui dati per il controllo predittivo del modello stocastico basato su scenari, " pubblicato in Journal of Process Control .

"Ad esempio, se so che il sole sorgerà molto presto, farà caldo, allora probabilmente non ho bisogno di riscaldare così tanto la casa. Se so che stanotte sta arrivando una tempesta, poi provo a scaldarmi un po' in modo da mantenere un livello confortevole, " Hai detto. "Cerchiamo di rendere intelligente il sistema energetico, in modo che possa prevedere un po' del futuro e prendere le decisioni ottimali".

Il primo autore del documento è Chao Shang, precedentemente associato post-dottorato alla Cornell nel laboratorio di You e ora assistente professore di automazione presso la Tsinghua University. Un team di studenti del master ha aiutato a sviluppare il caso di studio Toboggan Lodge, oltre a raccogliere anni di dati meteorologici e climatici storici per addestrare il modello di apprendimento automatico.

Con queste informazioni, il modello può rilevare l'incertezza non solo nella temperatura ma anche nelle precipitazioni, luce solare e differenze di condizioni in base alla posizione. Sulla base del livello di incertezza della previsione, il modello si adegua di conseguenza.

"Anche il miglior sistema di previsioni del tempo non ti darà le informazioni più accurate, " Hai detto. "Inoltre, le informazioni sulle previsioni del tempo sono di solito per una determinata regione ma non per una località specifica."

La combinazione degli algoritmi di apprendimento automatico e dei metodi di programmazione matematica crea un sistema di controllo più accurato e "intelligente" di quanto entrambi sarebbero da soli, Hai detto. Il framework ha potenziali applicazioni nei sistemi di controllo degli edifici e nel controllo dell'irrigazione in agricoltura, e potrebbe essere utilizzato per un controllo ambientale interno più efficiente nelle fattorie verticali e nelle fabbriche di piante che sono sempre più popolari nelle grandi città.

"Non abbiamo un modo perfetto per prevedere il tempo, quindi la cosa migliore che possiamo fare è combinare insieme AI e modellistica meccanicistica, " ha detto. "Queste due parti non sono mai state armonizzate in modo sistematico per il controllo automatico e la gestione dell'energia".