WattScale是一种开源AI工具可识别耗能房屋

发布时间：2020-07-08 13:14:39 【来源：】

匹兹堡大学，麻省大学阿默斯特分校和Microsoft Research India的研究人员已经开发了一个系统-WattScale，该系统利用AI从城市或区域级别的人口中挑选出能源效率最低的建筑物。在预印本研究中，他们使用它来显示10,000栋建筑数据集中的一半建筑效率低下，这在很大程度上是由于建筑质量较差所致。

据“节约能源联盟”称，包括办公室，房屋和商店在内的建筑物消耗了美国40%的能源和70%的电力。它们还排放了该国三分之一以上的温室气体，这比经济的任何其他部门都多。解决差距需要识别效率最低的建筑物，因此最需要改进。但是，依赖建筑物的年龄或其总能源费用的方法效果不佳。更高的能源使用量并不一定意味着效率低下。

WattScale旨在通过(1)贝叶斯建模技术来解决此问题，该技术捕获控制建筑物能源使用的变量分布，并且(2)一种故障分析算法，利用这些分布来报告效率低下的可能原因。开源工具提供两种模式-个人模式和基于区域的模式-通过将低效率建筑物的分布与城市中的类似房屋进行比较，或与天气状况可比的区域中整个人口的分布进行比较，来标记低效建筑物。

在实验中，研究人员将WattScale应用于来自三个城市的数据集，这三个城市分别是新英格兰的一个未命名的小城市和科罗拉多州的博尔德，并利用了建筑性能数据库，这是与能源有关的商业和住宅信息的最大的公开数据集，用于按区域的建筑物分布。奥斯汀(Austin)和博尔德(Boulder)数据集包含设备级别的细分，而新英格兰语料库则根据电表和燃气表以及房地产信息(包括建筑物的大小，房间，卧室的数量和物业类型)跟踪能耗。

合著者报告说，WattScale在将近95%的情况下识别出故障，并从数据集中发现10,107栋住宅中有一半以上效率低下。它指出建筑物的围护结构(建筑物的有条件和无条件的环境之间的物理障碍)是造成效率低下的主要原因，约占房屋总数的41%。供暖和制冷系统故障是下一个主要诱因，分别影响到WattScale重点关注的建筑物的23.73%和0.51%。

在冬季比其他两个地区多的新英格兰城市中，WattScale发现有18.06%的房屋存在高供暖或低制冷设定温度的问题，并且大多数房屋是在1945年之前建造的，并位于同一地点。研究还发现，除了与暖通空调设备有关的故障外，混合用途开发中低效建筑的比例最高，其次是多户和单户房地产类型。

研究人员预想了公用事业公司和决策者将使用WattScale来识别队列中效率低下的建筑物，并评估各种补贴对能源消耗的影响。研究人员断言，即使房主也可以从该工具中受益，因为该工具可以结合地理位置数据将房屋的效率与任何区域进行比较。

研究人员写道：“由于WattScale分别使用每天和每年的粗粒度能源消耗来创建建筑物和区域的分布，因此我们看到将数据驱动的方法应用于各种与能源效率相关的分析的巨大潜力。”“我们打算将WattScale生成的低效率报告发送给不同的房主。这些微调可以用来激励和激励房主采取节能措施。”

将来，该团队计划通过卫星数据和建筑物占用模式来扩大WattScale。此外，他们希望研究如何使用该工具跟踪白天和整个季节的节能情况，并量化房屋装修的效果。

基于研究人员早期的低效率检测系统WattHome的详细介绍WattScale的论文遵循了拟议的AI模型，该模型使用智能手机位置数据来预测电网使用情况。在6月发布的预印本研究中，微软和华盛顿大学的研究人员详细介绍了一种系统，该系统使用智能手机位置数据来预测电负载。他们声称，考虑到来自美国和欧洲内部地理区域数据的架构，其性能可以比传统的预测方法高出三倍以上。

上一篇：AmazeVR首次推出用于VR或亲自观看的当前时代音乐会平台
下一篇：Verizon和爱立信测试即时5G蜂窝发射塔是否出现紧急情况