Ensemble Multi-Task Learning (E-MTL) — абаны иштетүү блогунун өз ара байланышкан бир нече эксплуатациялык өзгөрмөсүн бир учурда божомолдогон ар түрдүү көп тапшырмалуу үйрөнүү моделдеринин чыгыштарын Gradient Boosting Regression Tree (GBRT) негизиндеги мета-моделде бириктирген маалыматтарга негизделген божомолдоо алкагы. Бул изилдөөдө система RTU кайтарма абасынын температурасын, кайтарма абанын салыштырмалуу нымдуулугун жана RTU электр керектөөсүн биргелешип божомолдоо максатында Oak Ridge National Laboratory Flexible Research Platform’дан алынган чыныгы HVAC эксплуатациялык маалыматтарынын негизинде иштелип чыккан.

Негизги модель жалпы Gated Recurrent Unit (GRU) убакыт катарларынын коддоочусун колдонот. Тогуз кириш өзгөрмөсүнүн тарыхый убакыт терезеси 64 жашыруун бирдиктен турган эки GRU катмарынан өткөрүлөт жана жалпы өкүлчүлүк үч өзүнчө регрессиялык тапшырмага бөлүнөт. Изилдөөдө орточо жоготууну колдонгон стандарттуу Multi-Task Learning (MTL), geometric loss колдонгон MTL-GL, dynamic weighting колдонгон MTL-DW жана uncertainty weighting колдонгон MTL-UW болуп, тапшырмаларды салмактоонун төрт түрдүү стратегиясы бааланган.

Булактын метод бөлүмүнө ылайык үч максаттын баарыкийинки убакыт кадамы, башкача айтканда 1 мүнөттөн кийин үчүн божомолдонот. Колдонулган кириштер — тышкы абанын температурасы жана салыштырмалуу нымдуулугу, ички чөйрөнүн орточо температурасы жана салыштырмалуу нымдуулугу, RTU берүүчү абасынын температурасы жана салыштырмалуу нымдуулугу, RTU аба чыгымы, ошондой эле учурдагы кайтарма абанын температурасы жана салыштырмалуу нымдуулугу. RTU электр керектөөсү чыгыш максаты болуп саналат жана тогуз кириштен турган тизмеге кирбейт.

Жеке моделдердин ичинде стандарттуу MTL кайтарма абанын температурасы үчүн MSE=0,0022, MAE=0,0391 °C жана \(R^2=0,9873\) менен күчтүү натыйжа көрсөткөн. Кайтарма абанын салыштырмалуу нымдуулугунда эң жогорку \(R^2\) мааниси 0,9632 менен MTL-DW моделинде байкалса, RTU керектөөсүндө эң төмөнкү MSE жана эң жогорку \(R^2\) тиешелүүлүгүнө жараша 6702 жана 0,8861 менен MTL-UW моделинде; эң төмөнкү MAE болсо 40,7777 менен MTL-GL моделинде билдирилген.

Авторлор ensemble ыкмасын моделдердин ар түрдүү тапшырмалардагы күчтүү жактарын бириктирүү максатында иштеп чыгып, E-MTL1ди артыкчылыктуу ensemble түзүмү катары талкуулашкан. E-MTL1 үчүн кайтарма абанын температурасы, салыштырмалуу нымдуулук жана RTU керектөөсүнүн \(R^2\) маанилери тиешелүүлүгүнө жараша 0,9843, 0,9632 жана 0,8761. Бирок жарыяланган 3-таблица менен 4-таблица салыштырылганда, ensemble моделдер бардык метрикалар боюнча бардык жеке MTL моделдеринен дайыма жогору турат деген булактагы күчтүү баяндоо сандык таблицалар менен толук колдоого алынбайт. Ошондуктан жыйынтыктар ensemble ыкмасынын мүмкүнчүлүгүн көрсөткөн, бирок булак ичиндеги иштөө натыйжаларынын таблицаларындагы карама-каршылыктарды эске алуу менен чечмеленүүгө тийиш болгон моделдөө изилдөөсү катары бааланууга тийиш.

AHU эмне үчүн божомолго негизделип бааланууга тийиш?

Heating, Ventilation and Air-Conditioning (HVAC) системалары имараттардагы температураны, нымдуулукту, абанын сапатын жана аба айлануусун башкарат. Air Handling Unit (AHU) — бул системанын имаратка берилүүчү абаны даярдаган негизги компоненттеринин бири. AHU тышкы аба менен кайтарма абаны аралаштыра алат, абаны чыпкалай алат, жылыта же муздата алат, нымдуулугун өзгөртө алат жана желдеткичтер аркылуу кондицияланган жайларга жөнөтө алат.

Изилдөө өзгөчө кайтарма абанын касиеттери системанын иштеши тууралуу маалымат берет деген божомолго таянат. Кайтарма абанын температурасынын же салыштырмалуу нымдуулугунун күтүлгөн иш диапазонунан четтөөсү ашыкча муздатуу, жетишсиз муздатуу, жетишсиз нымсыздандыруу же жабдуунун жүрүм-турумундагы башка өзгөрүү менен байланыштуу болушу мүмкүн. RTU электр керектөөсү да ошол эле учурда энергиялык натыйжалуулукту баалоого жардам бере алат.

Изилдөөдөгү боштук HVAC адабиятынын олуттуу бөлүгү бузулууларды диагностикалоого же оптималдуу башкарууга багытталганына карабастан, AHUнун келечектеги эксплуатациялык чыгыштарын биргелешип божомолдоп, аларды түздөн-түз иштөө көрсөткүчү катары колдонууга азыраак көңүл бурулгандыгында.

Ensemble Multi-Task Learning Модели Деген Эмне?

Бул изилдөөдөгү Ensemble Multi-Task Learning модели бир эле үч AHU чыгышын божомолдогон төрт түрдүү GRU негизиндеги көп тапшырмалуу үйрөнүү моделинин божомолдорун жана валидация маалыматтарынан алынган моделдин маанилүүлүк маалыматын GBRT негизиндеги мета-моделде бириктирген божомолдоо архитектурасы. Максат — бир тапшырманы салмактоо ыкмасы ар бир өзгөрмөдө бирдей деңгээлде ийгиликтүү болбой калышы мүмкүн болгон учурларда ар түрдүү моделдердин маалыматын жана божомолдорун жалпы жогорку деңгээлдеги моделде колдонуу.

AHU ичиндеги негизги аба агымы

Кейс-изилдөө жана маалымат булагы

Эксперименттик маалыматтар Oak Ridge National Laboratory тарабынан берилген реалдуу убакыттагы RTU эксплуатациялык маалыматтары. Маалыматтар чогултулган Flexible Research Platform — эки кабаттуу изилдөө имараты. Негизги HVAC жабдуусу 44 kW кубаттуулуктагы, энергия натыйжалуулук көрсөткүчү 9,6 деп берилген rooftop unit. Система direct-expansion (DX) муздатуу жылуулук алмаштыргычын жана жылытуу жылуулук алмаштыргычын камтыйт.

Имаратта он жылуулук зонасы бар жана ар бир зона өзүнүн Variable Air Volume (VAV) кутусу аркылуу тейленет. Баштапкы эксперименттик инфраструктурада 500дөн ашык сенсор бар жана маалыматтар Campbell Scientific CR3000 маалымат каттагычы менен 1 мүнөттүк ажыратуу жөндөмүндө чогултулган.

Баштапкы муздатуу сезонунун эксперименти үч иштөө мезгилин камтыйт: 8–14 июль 2021 базалык иштөө, 20–25 июль 2021 free-floating иштөө жана 28 июль–4 август 2021 night-setback иштөө. Бул изилдөөнүн кеңири моделдик талдоосунда гана8–14 июль 2021 базалык муздатуу мезгили колдонулган.

Бул мезгилде тышкы абанын температурасы болжол менен түнкү минимум 20 °C менен күндүзгү максимум 32 °C аралыгында өзгөргөн.

Моделде колдонулган тогуз кириш жана үч чыгыш

Булак 1-таблицада RTU аба чыгымы m³/h катары берилгенине карабастан, моделдин белгиси 2-таблицада m³/s катары көрсөтүлгөн. Ошондой эле булак RTU өзгөрмөсүн айрым жерлерде “power”, айрым жерлерде Wh бирдигиндеги “power consumption/electric energy consumption” деп атайт. Verianla тексти бул бирдик жана терминология айырмачылыктарын унчукпай бириктирбейт.

Маалыматтарды тазалоо жана маалыматтын агып кетишин алдын алуу

Дата талаасы форматталган жана жетишпеген байкоолор moving average ыкмасы менен толтурулган. Зоналык VAV өлчөөлөрү моделге өз-өзүнчө берилген эмес; он жылуулук зонанын ички температурасы жана салыштырмалуу нымдуулугу имаратты өкүлчүлүктүү көрсөткөн орточо маанилерге айландырылган.

Тазаланган маалыматтар алгач8:1:1 катышында окутуу, валидация жана тест топтомдоруна бөлүнгөн. Ошентип, валидация жана тест маалыматтарынын окутуунун алдын ала иштетүүсүнө агып кирүүсү азайтылууга аракет жасалган.

Четтеги маанилерди талдоо окутуу маалыматтарында гана жүргүзүлгөн. Ар бир белги үчүн биринчи квартиль \(Q_1\), үчүнчү квартиль \(Q_3\) жана:

\[ IQR=Q_3-Q_1 \]

эсептелген. Төмөнкү чектерден тышкаркы байкоолор четтеги маани катары белгиленген:

\[ [Q_1-1.5\,IQR,\;Q_3+1.5\,IQR] \]

Четтеги маанилер өзгөчө RTU электр керектөөсүндө байкалган жана авторлор алардын көпчүлүгүн чыныгы иштөө абалынан көрө кыска мөөнөттүү data-logger transientтери катары чечмелешкен. Белгиленген RTU керектөө маанилери нормалдаштыруудан мурда эң жакын эки жарактуу убакыт чекитин колдонуу менен сызыктуу интерполяция аркылуу алмаштырылган.

Стандартташтыруу үчүн окутуу топтомунан гана алынган орточо жана стандарттык четтөө маанилери колдонулган; ошол эле параметрлер валидация жана тест топтомдоруна колдонулган.

GRU эмне үчүн колдонулат?

Gated Recurrent Unit ырааттуу убакыт катарларындагы өткөн маалыматты жашыруун абал аркылуу алып жүргөн жана кайсы өткөн маалымат сакталары же басаңдатылары жаңыртуу жана баштапкы абалга келтирүү дарбазалары менен жөнгө салынган recurrent neural network түзүмү. Булак LSTMге салыштырмалуу жөнөкөй эки дарбазалуу GRU түзүмүн төмөнүрөөк окутуу татаалдыгы менен убакыттык көз карандылыктарды кармай алган альтернатива катары колдонот.

Булактагы GRU эсептөөлөрү төмөнкү ырааттуулукта берилет:

\[ r_t=\sigma_{\mathrm{sig}}\left(U_rS_{t-1}+W_rx_t\right) \tag{1} \]

\[ \rho_t=\sigma_{\mathrm{sig}}\left(U_zS_{t-1}+W_zx_t\right) \tag{2} \]

\[ \check{S}_t= \phi_{\tanh}\left[ U_h(r_t\cdot S_{t-1})+W_hx_t \right] \tag{3} \]

\[ S_t=(1-\rho_t)\cdot S_{t-1}+\rho_t\cdot\check{S}_t \tag{4} \]

\(x_t\) учурдагы убакыт кадамындагы кириш векторун;\(S_{t-1}\) мурунку жашыруун абалды;\(r_t\) reset gate чыгышын;\(\rho_t\) update gate чыгышын;\(\check S_t\) талапкер жашыруун абалды;\(S_t\) ал эми жаңы жашыруун абалды билдирет. \(W\) жана \(U\) символдору үйрөнүлүүчү салмак матрицалары.

Reset gate мурунку абалдын канчасы жаңы талапкер абалга өткөрүлөрүн жөнгө салат. Update gate болсо эски жашыруун абал менен жаңы талапкер абал кандай катышта бириктирилерин аныктайт. Ошентип, модель ар бир мүнөт сайын жаңы сенсор маанилерин иштетип жатканда мурунку мүнөттөрдөгү бардык жылуулук жана эксплуатациялык маалыматты бирдей деңгээлде алып жүрүүгө милдеттүү болбойт.

Жалпы өкүлчүлүк жана тапшырма баштары

Негизги архитектурада үстү-үстүнө жайгашкан эки GRU катмары бар жана ар бир катмар64 жашыруун бирдик колдонот. Булакта негизги кириш терезеси 15 убакыт кадамы × 9 белги, башкача айтканда(15, 9) тензору катары аныкталган.

Акыркы GRU катмарынын 64 өлчөмдүү жашыруун абалы жалпы өкүлчүлүк катары колдонулат. Андан кийин үч өзүнчө fully connected тапшырма башы бул жалпы өкүлчүлүктү тиешелүүлүгүнө жараша кайтарма абанын температурасы, кайтарма абанын салыштырмалуу нымдуулугу жана RTU керектөөсү үчүн бир скалярдык божомолго айлантат.

Multi-Task Learning жоготуу функциясы

Стандарттуу MTL түзүмүндө тапшырма жоготуулары салмакталган түрдө кошулат:

\[ L_{\mathrm{MTL}}^{(t)} = \sum_{i=1}^{N_T} \omega_i L_i\left( \phi_s^{(t)}, \phi_i^{(t)} \right) \tag{5} \]

Бул жерде \(N_T\) тапшырмалардын санын; бул изилдөө үчүн \(N_T=3\). \(\phi_s\) жалпы катмар параметрлерин, \(\phi_i\) тапшырма \(i\) үчүн өзгөчө баш параметрлерин, \(L_i\) тиешелүү тапшырманын жоготуусун жана \(\omega_i\) тапшырма салмагын билдирет.

Модель параметрлеринин gradient descent жаңыртылышы:

\[ \phi^{t+1} = \phi^t - \eta \nabla_{\phi^{(t)}}L_{\mathrm{MTL}}^{(t)} \tag{6} \]

түрүндө берилет. \(\eta\) — үйрөнүү ылдамдыгы.

Бул формуланын негизги көйгөйү — тапшырмалардын биринин жоготуу чоңдугу же gradient таасири башкалардан кыйла чоң болсо, жалпы катмарлардын үйрөнүүсүндө үстөмдүк кылышы мүмкүн. Изилдөөдө төрт түрдүү салмактоо стратегиясынын салыштырылышынын себеби ушул.

MTL салмактоонун төрт стратегиясы

MTL: Булакта “no weight update” же орточо/стандарттуу салмактоо катары колдонулган негизги модель.

MTL-DW: Dynamic Weighting ыкмасында тапшырма салмактары окутуу жүргөн сайын мурунку epoch жоготууларындагы өзгөрүүгө жараша жаңыртылат. Булак эки тапшырмалуу көрсөтүүдө:

\[ L_{\mathrm{total}}^{(t)} = \omega_i^{(t)}L_i^{(t)} + \omega_k^{(t)}L_k^{(t)} \tag{7} \]

\[ \omega_i^{(t)} = \frac{\check L_k^{(t-1)}} {\check L_i^{(t-1)}}, \qquad \omega_k^{(t)}=1.0 \tag{8} \]

туюнтмаларын колдонот. \(\check L\) мурунку epochтагы орточо тапшырма жоготуусун билдирет.

MTL-GL: Geometric Loss тапшырма жоготууларынын геометриялык орточосун жалпы максат функциясы катары колдонот:

\[ L_{\mathrm{total}} = \left( \prod_{\tau=1}^{T}L_\tau \right)^{1/T} \tag{9} \]

Бул ыкма тапшырма салмактарын кол менен тандоо зарылдыгын азайтууну көздөйт.

MTL-UW: Homoscedastic Uncertainty Weighting ар бир тапшырманын байкоо ызы-чуусун билдирген үйрөнүлүүчү \(\sigma_i\) параметрин жоготуу функциясына кошот:

\[ L(W,\sigma_i) = \sum_i \frac{1}{2\sigma_i^2}L_i(W) + \log \sigma_i^2 \tag{10} \]

Ошентип, модель тапшырмалардын салыштырмалуу салмактарын алдын ала кол менен тандалган туруктуу коэффициенттердин ордуна окутуу учурунда үйрөнө алат.

Ensemble мета-модель кантип түзүлөт?

Төрт base modelдин баары колдонулганда ар бир модель үч тапшырма божомолун жана валидацияга негизделген бир маанилүүлүк упайын чыгарат. Ошентип, төрт модель × төрт маалымат =16 өлчөмдүү мета-белги түзүлөт. Үч base model колдонулса 12, эки base model колдонулса 8 мета-белги алынат.

GBRT мета-модели ар бир максаттуу чыгыш үчүн өзүнчө окутулат. Булакта GBRT үчүн500 boosting баскычы, максималдуу тереңдик 3, үйрөнүү ылдамдыгы 0,2 жана least-squares regression жоготуусу колдонулганы айтылат.

Бул Изилдөө Чынында Канча Мүнөт Алдыга Божомолдойт?

Метод бөлүмүнүн так аныктамасына ылайык моделдин текшерилген негизги чыгышы \(t+1\), башкача айтканда 1 мүнөттүк үлгүлөө ажыратуусунда1 мүнөттөн кийин кайтарма абанын температурасы, салыштырмалуу нымдуулук жана RTU электр керектөөсү боюнча божомол. Макаланын айрым бөлүктөрүндө жана 12-сүрөттүн аталышында “day-ahead” деген сөз колдонулса да, булак өзүнчө 24 сааттык божомол горизонту үчүн окутуу же тест протоколун аныктабайт; ошондуктан “day-ahead” 24 саат алдыга текшерилген божомол катары чечмеленбеши керек.

Булак баштапкы архитектура үчүн 15 кадамдык lookback терезесин аныктайт. Ар бир кадам 1 мүнөт болгондуктан, бул негизги архитектурада 15 мүнөттүк тарыхый байкоону билдирет. Андан кийин 5, 10, 15 жана 20 мүнөттүк lag терезелери боюнча сезгичтик талдоосу жүргүзүлгөн.

Изилдөөнүн Ыкмасы жана Жыйынтыктары

Окутуу жана гиперпараметр тандоо

Бардык тапшырмалар регрессия көйгөйү катары каралып, окутуу жоготуусу катары Mean Squared Error (MSE) колдонулган. Модель параметрлери Adam optimizer менен жаңыртылган.

Гиперпараметр издөө Optuna 4.8.0 менен жүргүзүлгөн. Ар бир талапкер түзүм валидация MSEсин баалоо үчүн алгач 10 epoch окутулуп, жалпысынан 50 ийгиликтүү сыноо жасалган.

Моделдин ашыкча ылайыкташуусун азайтуу үчүн валидация жоготуусу он ырааттуу epoch бою жакшырбаса окутууну токтотуучу callback, эң жакшы валидация абалын сактаган механизм жана беш ырааттуу жакшырбоодон кийин үйрөнүү ылдамдыгын жөнгө салган scheduler колдонулган.

Жеке MTL моделдеринин тест жыйынтыктары

Бул таблица бир эле модель бардык максаттарда жана бардык метрикаларда эң жакшы эмес экенин так көрсөтөт. Орточо салмактагы MTL кайтарма абанын температурасында эң төмөн MSE жана MAE менен эң жогорку \(R^2\) берет. MTL-DW кайтарма абанын салыштырмалуу нымдуулугунда эң жогорку \(R^2\) маанисине ээ. RTU керектөөсүндө MTL-UW эң төмөн MSE жана эң жогорку \(R^2\) берсе, MTL-GL эң төмөн MAE берет.

Ensemble түзүмдөрүнүн булактагы 3-таблица жыйынтыктары

Таблицадагы E-MTL5 жана E-MTL6 температура MAE мааниси булакта 0,4958 деп басылган. Ошол эле саптагы MSE=0,0037 менен бирге бул маани математикалык жактан көңүл бурууну талап кылат; бирок булакта 0,04958 же башка маани жазылбагандыктан, Verianla тарабынан унчукпай оңдолгон эмес.

Ensemble Модель Жеке MTL Моделдеринен Чындап Эле Ийгиликтүүрөөкпү?

Булак тексти ensemble ыкмасы жеке MTL моделдеринен системалуу түрдө жогору турарын ырастайт; бирок жарыяланган 3-таблица жана 4-таблица бул күчтүү жалпылоону бардык тапшырмалар жана метрикалар боюнча колдобойт. Мисалы, жеке MTL модели температураны божомолдоодо E-MTL1ге караганда төмөн MSE/MAE жана жогору \(R^2\) берет; MTL-UW RTU керектөөсүндө E-MTL1ге караганда төмөн MSE жана жогору \(R^2\) чыгарат; MTL-GL болсо төмөн RTU MAEге ээ. Демек, изилдөө ensemble архитектурасынын колдонууга жарамдуулугун жана бир нече моделди бириктирүү ыкмасын көрсөтөт, бирок “ар бир метрикада бардык жеке моделдерден жогору” деген жыйынтык булак таблицалары менен шартсыз ырасталбайт.

E-MTL1дин 3-таблицадагы маанилеринин MTL-DW саптары менен бирдей болушу да өзүнчө көңүл бурат. Булак тексти E-MTL1ди “орточо салмак + geometric loss” деп сүрөттөсө, 3-таблицанын эскертүүсү E-MTL1ди “no weight update + DW” деп аныктайт. Ошондуктан E-MTL1дин так base-model курамы булактын ичинде ырааттуу эмес.

Булак артыкчылык берген E-MTL1 метрикалары

Бул тегеректелген маанилер булактын жыйынтыктар бөлүмүндө E-MTL1 үчүн берилген сандар. Бирок алар жогорудагы жеке моделдердин таблицасы менен бирге окулууга тийиш.

Lag терезеси эмне үчүн маанилүү?

Убакыт катарынын модели учурдагы мүнөттү гана эмес, мурунку мүнөттөрдөгү өзгөрүүнүн багытын жана ылдамдыгын да колдонот. Өтө кыска тарыхый терезе жетиштүү жылуулук динамикасын кармай албашы мүмкүн; өтө узун терезе болсо эски маалыматты ашыкча алып жүрүп, кескин өзгөрүүлөргө жоопту кечиктириши мүмкүн.

Изилдөө 5, 10, 15 жана 20 мүнөттүк lag терезелерин Mean Absolute Percentage Error (MAPE) боюнча салыштырган. Булактын чечмелөөсүнө ылайык, 5 мүнөттүк терезе айрым моделдерде кыска мөөнөттүү ызы-чуу жана термелүүлөрдү ашыкча үйрөнүүгө, ал эми 20 мүнөттүк терезе кескин жылуулук өтүүлөрүндө керексиз кечигүүгө алып келиши мүмкүн.

Булактын жыйынтыктар бөлүмүндө10 мүнөттүк lag, изилденген 5–20 мүнөттүк аралыкта responsiveness менен stability ортосундагы эң ылайыктуу статикалык компромисс катары билдирилет.

Бул жерде методологиялык бир нюанс бар: архитектура сүрөттөмөсүндө кириш тензору 15 кадам × 9 белги катары аныкталса, жыйынтыктар бөлүмүндө 10 мүнөттүк терезе артык көрүлөт. Бул абал 15 мүнөттүк түзүмдү баштапкы/негизги архитектура сүрөттөмөсү, 5–20 мүнөттүк ишти өзүнчө сезгичтик эксперименти катары түшүнүү керектигин көрсөтөт.

Убакыт катарынын жыйынтыктары эмнени көрсөтөт?

Булактагы 12-сүрөт чыныгы жана божомолдонгон кайтарма абанын температурасын, кайтарма абанын салыштырмалуу нымдуулугун жана RTU электр керектөөсүнүн убакыт катарларын чогуу көрсөтөт. Температура жана нымдуулук ийри сызыктары жалпысынан чыныгы сигналды жакындан ээрчисе, RTU керектөөсүндө ылдамыраак жана кескин термелүүлөр бар.

Авторлор моделдин RTU керектөөсүндөгү ушул термелүү түзүмүн ээрчий алышын кириш өзгөрмөлөрүнүн ортосундагы байланыштарды үйрөнө алгандыгынын көрсөткүчү катары чечмелешет. Бирок бул график өзүнчө эле модель башка имаратта, башка мезгилде же башка жабдууда ошол эле тактыкта иштей турганын көрсөтпөйт.

Эки колдонуу сценарийи чыныгы экспериментпи?

Жок. Макаланын 5-бөлүмүндөгү эки сценарийillustrative narratives, башкача айтканда түшүндүрмө мисал сценарийлери. Булак муну ачык айтат. Сценарийлердеги 2 °C температуранын жогорулашы, %5 салыштырмалуу нымдуулуктун жогорулашы же %10 кубаттын жогорулашы сыяктуу сандар белгилүү бир тест мисалында өлчөнгөн жаңы натыйжалар эмес.

Биринчи сценарий BMS божомолдорду колдонуп берүүчү абанын шарттарын же желдеткичтин ылдамдыгын алдын ала жөнгө сала аларын баяндайт. Экинчи сценарий күтүлбөгөн жогорку энергия керектөөсү менен төмөн кайтарма температура/жогорку нымдуулук айкалышы stuck cooling valve же сенсор көйгөйү сыяктуу жагдайларды иликтөөгө багыттай аларын көрсөтөт.

Бул мисалдар моделдин текшерилген божомол каталарынын чоңдугуна ылайык келгидей түзүлгөн; бирок изилдөө чыныгы автоматтык бузулуу диагностикасы экспериментин же реалдуу убакыттагы жабык контур башкаруу колдонмосун жүргүзгөн эмес.

Изилдөө колдогон жыйынтыктар

• Чыныгы ORNL RTU эксплуатациялык маалыматтарында үч AHU иштөө өзгөрмөсүн биргелешип божомолдогон GRU негизиндеги көп тапшырмалуу үйрөнүү модели иштелип чыккан.
• Стандарттуу MTL, geometric loss, dynamic weighting жана uncertainty weighting стратегиялары бир эле негизги архитектурада салыштырылган.
• Ар башка тапшырмаларда ар башка салмактоо стратегиялары алдыга чыккан; бир эле жеке модель бардык максаттар жана метрикалар боюнча ачык эң мыкты эмес.
• RTU кайтарма абасынын температурасы жана салыштырмалуу нымдуулугу боюнча божомолдордо жогорку \(R^2\) маанилери алынган.
• RTU керектөөсүн божомолдоо айлана-чөйрө өзгөрмөлөрүнө салыштырмалуу татаалыраак болсо да, булакта болжол менен 0,88 деңгээлине чейин \(R^2\) билдирилген.
• GBRT негизиндеги мета-модель ар түрдүү MTL чыгыштарын жана валидацияга негизделген маанилүүлүк маалыматын бир ensemble алкагында бириктирүүгө болорун көрсөтөт.
• Lag сезгичтиги 10 мүнөттүк терезе изилденген аралыкта жакшы responsiveness–stability тең салмагын камсыз кыларын көрсөтөт.

Изилдөө колдобогон жалпылоолор

• Изилдөө бардык AHU системаларында же бардык имараттарда бирдей тактыкка жетишүүгө болорун далилдебейт.
• Модель ORNL Flexible Research Platform маалыматтарында гана текшерилген; башка физикалык имараттарга transfer test жүргүзүлгөн эмес.
• Булактын метод бөлүмү 1 мүнөттөн кийинки божомолду текшерет; өзүнчө 24 саат алдыга “day-ahead” эксперименттик протокол берилген эмес.
• Эки колдонуу сценарийиндеги температура, нымдуулук жана кубат өзгөрүүлөрү өлчөнгөн жаңы тест учурлары эмес.
• Модель түздөн-түз физикалык бузулуу белгилери менен окутулган fault-diagnosis системасы эмес.
• Божомол менен чыныгы өлчөмдүн айырмасы белгилүү бир клапан, сенсор же компоненттин бузулушун так аныктай турганы көрсөтүлгөн эмес.
• Моделдин энергияны үнөмдөөсү же көмүртек азайтуусу реалдуу шартта жабык контур башкаруу эксперименти менен өлчөнгөн эмес.
• Жарыяланган таблицалар ensemble моделдер ар бир тапшырма жана ар бир иштөө метрикасы боюнча бардык жеке MTL моделдеринен жогору экенин көрсөтпөйт.

Негизги чектөөлөр жана келечектеги иштер

Бир физикалык маалымат булагы: Валидация ORNL Flexible Research Platform менен чектелет. Held-out test топтому ошол эле физикалык системанын мурда көрүлбөгөн бөлүгү; бул башка имараттарда же географияларда жүргүзүлгөн тышкы валидация эмес.

Статикалык lag: 10 мүнөттүк lag учурдагы маалымат топтомунда ылайыктуу компромисс катары табылган. Булак келечекте аба ырайы шарттарынын өзгөрүү ылдамдыгына жараша динамикалык же адаптивдүү lookback window иштеп чыгууну сунуштайт.

Upstream системалар: Chiller же boiler тарабындагы натыйжалуулуктун жоголушу AHU жылуулук алмаштыргычынын кубаттуулугуна таасир этиши мүмкүн. Учурдагы модель бул таасирлерди түздөн-түз суу тарабынын кириштери менен эмес, берүүчү абанын касиеттери аркылуу кыйыр түрдө кармайт. Келечекте chilled/hot water температурасы жана чыгымы сыяктуу параметрлерди түздөн-түз моделге кошуу сунушталат.

Эсептөө жүгү: Ensemble түзүмү бир нече base modelдин forward passин талап кылат жана бир моделге салыштырмалуу көбүрөөк окутуу убактысын, эс тутум талабын жана inference чыгымын жаратат. Булак мунун HVACтын мүнөттүк же андан узагыраак башкаруу циклдеринде башкарылуучу болушу мүмкүн экенин, бирок sub-second колдонмолордо кечигүү чегин жаратышы мүмкүн экенин белгилейт.

Иштөө таблицасындагы карама-каршылыктар: Ensemble артыкчылыгы жөнүндө булактагы баяндоо менен жарыяланган таблицалар толук шайкеш келбейт. Бул жагдай моделди өз алдынча кайра ишке ашыруу жана натыйжаларды кайра текшерүү үчүн маанилүү.

Булак жана Ыкма Жөнүндө Эскертүү

Түпнуска изилдөө: An Ensemble Multi-Task Learning Model for Predictive Performance Evaluation of Air Handling Units in HVAC Systems

Авторлор: Tobi Michael Alabi; Adedayo Johnson Ogungbile; Favour David Agbajor.

Corresponding authors: Adedayo Johnson Ogungbile жана Favour David Agbajor.

Аффилиация 1: Centre for Advances in Reliability and Safety (CAiRS), Hong Kong SAR, China.

Аффилиация 2: School of Science and Technology, Hong Kong Metropolitan University, Hong Kong SAR, China.

Аффилиация 3: School of Architecture and Built Environment, Deakin University, Geelong, Victoria, Australia.

Журнал: Sustainability.

Басмакана: MDPI, Basel, Switzerland.

Том / чыгарылыш / макала номери: Volume 18, Issue 15, Article 7980.

DOI: 10.3390/su18157980.

Жөнөтүлгөн күнү: 11 июнь 2026.

Оңдолгон күнү: 29 июль 2026.

Кабыл алынган күнү: 3 август 2026.

PDF жарыяланган күнү: 6 август 2026.

Библиографиялык дата эскертүүсү: MDPIнин учурдагы атайын чыгарылыш тизмесинде макаланын датасы 5 август 2026 деп көрсөтүлсө, расмий PDF 6 август 2026 датасын берет. Бул Verianla текстинде PDF датасы сакталган.

Булактын түрү: Рецензияланган изилдөө макаласы; чыныгы HVAC эксплуатациялык маалыматтарына негизделген маалыматка негизделген машиналык үйрөнүү/моделди валидациялоо изилдөөсү.

Лицензия: Creative Commons Attribution (CC BY).

Расмий жарыя идентификатору: DOI 10.3390/su18157980.

Маалымат булагы: Oak Ridge National Laboratory Flexible Research Platform RTU/HVAC эксплуатациялык маалымат топтому.

Маалыматтын ажыратуусу: 1 мүнөт.

Кеңири талдоо мезгили: 8–14 июль 2021 базалык муздатуу иштөөсү.

Окутуу/валидация/test: 8:1:1.

Модель: Эки катмарлуу, ар бир катмарында 64 жашыруун бирдик колдонгон GRU негизиндеги Multi-Task Learning; төрт тапшырма салмактоо стратегиясы жана GBRT ensemble/meta-model.

Божомол максаты: Булак метод бөлүмүнө ылайык кийинки убакыт кадамы, башкача айтканда 1 мүнөттөн кийинки кайтарма абанын температурасы, кайтарма абанын салыштырмалуу нымдуулугу жана RTU электр керектөөсү.

Каржылоо: Авторлор изилдөө тышкы каржылоо албаганын билдиришкен.

Колдоо/Acknowledgments: Изилдөө Centre for Advances in Reliability and Safety (CAiRS), AIR@InnoHK Research Cluster жана Hong Kong Metropolitan University тарабынан колдоого алынганы көрсөтүлгөн.

Этика комитети: Колдонулбайт.

Маалымдалган макулдук: Колдонулбайт.

Маалыматтардын жеткиликтүүлүгү: Изилдөөдө берилген маалыматтарды corresponding authorдан негиздүү суроо-талап боюнча алууга болору көрсөтүлгөн.

Кызыкчылыктардын кагылышы: Авторлор кызыкчылыктардын кагылышы жок экенин билдиришкен.

Авторлордун салымы: Концептуалдаштыруу T.M.A. жана F.D.A.; методология T.M.A., A.J.O. жана F.D.A.; программалык камсыздоо T.M.A.; валидация T.M.A.; ресурстар A.J.O.; маалыматтарды курациялоо T.M.A.; алгачкы долбоор T.M.A., A.J.O. жана F.D.A.; карап чыгуу жана редакциялоо F.D.A.; визуалдаштыруу T.M.A. жана F.D.A.; долбоорду башкаруу A.J.O.; каржылоону алуу A.J.O.

Булак ичиндеги карама-каршылык 1 — GRU/LSTM: Метод тексти, 7-сүрөт жана жыйынтыктар бөлүмү жалпы коддоочуну GRU катары аныктайт. Буга карабастан булактагы 8-сүрөттө борбордук куту “LSTM model shared layers” деп белгиленген. Бул Verianla макаласы метод текстиндеги GRU архитектурасын негиз катары алып, сүрөт белгисиндеги айырманы жашырган эмес.

Булак ичиндеги карама-каршылык 2 — божомол горизонту: Метод бөлүмү чыгыштарды ачык \(t+1\), башкача айтканда 1 мүнөттөн кийин деп аныктаганы менен, айрым тексттер жана 12-сүрөт “day-ahead” терминин колдонот. Булак өзүнчө 24 саат алдыга божомол протоколун аныктабайт.

Булак ичиндеги карама-каршылык 3 — таблица номери: Ensemble моделдер булактагы 3-таблицада, жеке моделдер 4-таблицада берилген; ошого карабастан айрым баяндоо жана жыйынтык сүйлөмдөрүндө E-MTL1 “Table 4” менен байланыштырылат.

Булак ичиндеги карама-каршылык 4 — E-MTL1 курамы: Булактагы 3-таблицанын эскертүүсү E-MTL1ди “no weight update + DW” деп берсе, түшүндүрмө текст E-MTL1ди орточо салмак + geometric loss деп аныктайт.

Булак ичиндеги карама-каршылык 5 — ensemble артыкчылыгы: Текст жана жыйынтыктар бөлүмү ensemble моделдер жеке MTL варианттарынан бардык тапшырмаларда дайыма жогору экенин билдирет; жарыяланган 3-таблица жана 4-таблица маанилери бул күчтүү билдирүүнү бардык метрикаларда колдобойт.

Булак ичиндеги карама-каршылык 6 — E-MTL5/E-MTL6: 3-таблицада бул эки моделдин кайтарма аба температурасынын MAE мааниси 0,4958 деп басылган. Булактын атынан ондук орун өзгөртүлгөн эмес.

Булак ичиндеги бирдик боюнча эскертүү: RTU airflow rate булактагы 1-таблицада m³/h, тандалган белгилер 2-таблицада m³/s катары берилген. RTU электр өзгөрмөсү да ар түрдүү бөлүмдөрдө “power”, “power consumption” жана Wh бирдигиндеги электр керектөөсү деп аталат.

Колдонуу чеги: Модель башка физикалык имараттарда же көз карандысыз HVAC системаларында тышкы валидациядан өткөрүлгөн эмес. Булак муну келечектеги изилдөө багыты катары көрсөтөт.