Ensemble Multi-Task Learning (E-MTL) ni mfumo wa utabiri unaotegemea data ambao huunganisha matokeo ya miundo tofauti ya ujifunzaji wa kazi nyingi, inayotabiri kwa wakati mmoja vigezo kadhaa vya uendeshaji vinavyohusiana vya kitengo cha kushughulikia hewa, katika meta-modeli inayotegemea Gradient Boosting Regression Tree (GBRT). Katika utafiti huu, mfumo uliendelezwa kwa kutumia data halisi za uendeshaji wa HVAC kutoka Oak Ridge National Laboratory Flexible Research Platform ili kutabiri kwa pamoja halijoto ya hewa ya kurudi ya RTU, unyevunyevu wa jamaa wa hewa ya kurudi na matumizi ya umeme ya RTU.

Muundo msingi hutumia kisimbaji cha mfululizo wa muda cha pamoja cha Gated Recurrent Unit (GRU). Dirisha la kihistoria la vigezo tisa vya ingizo hupitishwa kwenye tabaka mbili za GRU zenye vitengo fiche 64 kila moja, na uwakilishi wa pamoja hugawanywa katika kazi tatu tofauti za regression. Utafiti ulitathmini mikakati minne tofauti ya kuweka uzito wa kazi: Multi-Task Learning (MTL) ya kawaida inayotumia hasara ya wastani, MTL-GL inayotumia geometric loss, MTL-DW inayotumia dynamic weighting, na MTL-UW inayotumia uncertainty weighting.

Kulingana na sehemu ya mbinu ya chanzo, malengo yote matatu yanatabiriwa kwahatua inayofuata ya muda, yaani baada ya dakika 1. Ingizo zinazotumika ni halijoto na unyevunyevu wa jamaa wa hewa ya nje, halijoto ya wastani na unyevunyevu wa jamaa wa mazingira ya ndani, halijoto na unyevunyevu wa jamaa wa hewa ya usambazaji ya RTU, kiwango cha mtiririko wa hewa cha RTU, pamoja na halijoto na unyevunyevu wa jamaa wa sasa wa hewa ya kurudi. Matumizi ya umeme ya RTU ni lengo la matokeo na hayamo katika orodha ya ingizo tisa.

Miongoni mwa miundo binafsi, MTL ya kawaida ilitoa matokeo yenye nguvu kwa halijoto ya hewa ya kurudi kwa MSE=0,0022, MAE=0,0391 °C na \(R^2=0,9873\). Kwa unyevunyevu wa jamaa wa hewa ya kurudi, thamani ya juu zaidi ya \(R^2\), 0,9632, ilionekana katika MTL-DW; kwa matumizi ya RTU, MSE ya chini zaidi na \(R^2\) ya juu zaidi ziliripotiwa katika MTL-UW kwa 6702 na 0,8861 mtawalia, huku MAE ya chini zaidi, 40,7777, ikiripotiwa katika MTL-GL.

Waandishi waliendeleza mbinu ya ensemble ili kuunganisha nguvu za miundo katika kazi tofauti na wakajadili E-MTL1 kama muundo wa ensemble unaopendelewa. Kwa E-MTL1, thamani za \(R^2\) za halijoto ya hewa ya kurudi, unyevunyevu wa jamaa na matumizi ya RTU ni 0,9843, 0,9632 na 0,8761 mtawalia. Hata hivyo, Jedwali 3 na Jedwali 4 yaliyochapishwa yanapolinganishwa, maelezo yenye msisitizo katika chanzo kwamba miundo ya ensemble huzidi miundo yote binafsi ya MTL katika vipimo vyote hayapati uungwaji mkono kamili kutoka kwa jedwali za nambari. Kwa hiyo, matokeo yanapaswa kutathminiwa kama utafiti wa uundaji wa modeli unaoonyesha uwezo wa mbinu ya ensemble lakini unaopaswa kufasiriwa kwa kuzingatia kutolingana kwa majedwali ya utendaji ndani ya chanzo.

Kwa nini AHU itathminiwe kwa njia ya utabiri?

Mifumo ya Heating, Ventilation and Air-Conditioning (HVAC) hudhibiti halijoto, unyevunyevu, ubora wa hewa na mzunguko wa hewa katika majengo. Air Handling Unit (AHU) ni mojawapo ya vipengele msingi vya mfumo huu vinavyotayarisha hewa itakayotumwa ndani ya jengo. AHU inaweza kuchanganya hewa ya nje na hewa ya kurudi, kuchuja hewa, kuipasha joto au kuipoza, kubadilisha unyevunyevu wake na kuituma kwenye nafasi zilizowekewa hali kupitia feni.

Utafiti unatokana hasa na dhana kwamba sifa za hewa ya kurudi hubeba taarifa kuhusu utendaji wa mfumo. Kupotoka kwa halijoto au unyevunyevu wa jamaa wa hewa ya kurudi kutoka kwenye kiwango cha uendeshaji kinachotarajiwa kunaweza kuhusishwa na upoeshaji kupita kiasi, upoeshaji usiotosha, uondoaji unyevu usiotosha au mabadiliko mengine katika tabia ya vifaa. Matumizi ya umeme ya RTU pia yanaweza kusaidia kutathmini utendaji wa nishati kwa wakati huohuo.

Pengo la utafiti ni kwamba, ingawa sehemu kubwa ya fasihi ya HVAC imejikita katika utambuzi wa hitilafu au udhibiti bora, imezingatia kwa kiwango kidogo zaidi matumizi ya utabiri wa pamoja wa matokeo ya uendeshaji ya baadaye ya AHU kama kiashiria cha moja kwa moja cha utendaji.

Modeli ya Ensemble Multi-Task Learning ni Nini?

Modeli ya Ensemble Multi-Task Learning katika utafiti huu ni usanifu wa utabiri unaounganisha utabiri wa miundo minne tofauti ya ujifunzaji wa kazi nyingi inayotegemea GRU, ambayo hutabiri matokeo yale yale matatu ya AHU, pamoja na taarifa ya umuhimu wa modeli iliyopatikana kutoka kwenye data za uthibitishaji, ndani ya meta-modeli inayotegemea GBRT. Lengo ni kutumia taarifa na utabiri wa miundo tofauti katika modeli moja ya juu ya pamoja pale ambapo mbinu moja ya kuweka uzito wa kazi haiwezi kufanikiwa kwa kiwango sawa kwa kila kigezo.

Mtiririko msingi wa hewa ndani ya AHU

Uchunguzi kifani na chanzo cha data

Data za majaribio ni data halisi za wakati halisi za uendeshaji wa RTU zilizotolewa na Oak Ridge National Laboratory. Flexible Research Platform ambako data zilikusanywa ni jengo la utafiti lenye ghorofa mbili. Kifaa kikuu cha HVAC ni rooftop unit yenye uwezo wa 44 kW na daraja la ufanisi wa nishati lililotolewa kama 9,6. Mfumo una coil ya upoeshaji ya direct-expansion (DX) na coil ya kupasha joto.

Jengo lina kanda kumi za joto na kila kanda huhudumiwa na kisanduku chake cha Variable Air Volume (VAV). Miundombinu ya awali ya majaribio ina zaidi ya sensa 500, na data zilikusanywa kwa azimio la dakika 1 kwa kutumia kinasa data cha Campbell Scientific CR3000.

Jaribio la awali la msimu wa upoeshaji linajumuisha vipindi vitatu vya uendeshaji: uendeshaji msingi wa 8–14 Julai 2021, uendeshaji wa free-floating wa 20–25 Julai 2021, na uendeshaji wa night-setback wa 28 Julai–4 Agosti 2021. Katika uchanganuzi wa kina wa modeli wa utafiti huu, nikipindi cha msingi cha upoeshaji cha 8–14 Julai 2021 pekee kilichotumika.

Katika kipindi hiki, halijoto ya hewa ya nje ilibadilika kati ya takribani kiwango cha chini cha usiku cha 20 °C na kiwango cha juu cha mchana cha 32 °C.

Ingizo tisa na matokeo matatu yaliyotumika katika modeli

Ingawa katika Jedwali 1 la chanzo kiwango cha mtiririko wa hewa wa RTU kimetolewa kama m³/h, sifa ya modeli inaonyeshwa kama m³/s katika Jedwali 2. Vivyo hivyo, chanzo kinaita kigezo cha RTU “power” katika baadhi ya sehemu na “power consumption/electric energy consumption” katika Wh katika sehemu nyingine. Maandishi ya Verianla hayaunganishi kimya kimya tofauti hizi za kitengo na istilahi.

Usafishaji wa data na kuzuia kuvuja kwa data

Sehemu ya tarehe ilipangiliwa na uchunguzi uliokosekana ukajazwa kwa mbinu ya moving average. Vipimo vya VAV vya kila kanda havikuingizwa moja moja kwenye modeli; halijoto ya ndani na unyevunyevu wa jamaa wa kanda kumi za joto vilibadilishwa kuwa thamani za wastani zinazowakilisha jengo.

Data zilizosafishwa ziligawanywa kwanza kwa uwiano wa8:1:1 katika seti za mafunzo, uthibitishaji na majaribio. Kwa njia hii, ilijaribiwa kupunguza kuvuja kwa taarifa za uthibitishaji na majaribio katika uchakataji wa awali wa mafunzo.

Uchambuzi wa thamani za nje ulifanywa kwenye data za mafunzo pekee. Kwa kila sifa, quartile ya kwanza \(Q_1\), quartile ya tatu \(Q_3\), na:

\[ IQR=Q_3-Q_1 \]

zilihesabiwa. Uchunguzi ulio nje ya mipaka ifuatayo uliwekwa alama kama thamani za nje:

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

Thamani za nje zilionekana hasa katika matumizi ya umeme ya RTU, na waandishi walitafsiri sehemu kubwa yake kama data-logger transient za muda mfupi badala ya hali halisi za uendeshaji. Thamani za matumizi ya RTU zilizowekwa alama zilibadilishwa kabla ya uhalalishaji kwa interpolation ya mstari kwa kutumia nukta mbili halali za muda zilizo karibu zaidi.

Kwa ustandardishaji, thamani za wastani na mkengeuko sanifu zilizopatikana kutoka seti ya mafunzo pekee ndizo zilizotumika; vigezo hivyo hivyo vilitumika kwenye seti za uthibitishaji na majaribio.

Kwa nini GRU inatumika?

Gated Recurrent Unit ni muundo wa recurrent neural network unaobeba taarifa za zamani katika mfululizo wa muda kupitia hali fiche na kudhibiti ni taarifa gani za zamani zihifadhiwe au zipunguzwe kwa kutumia milango ya kusasisha na kuweka upya. Chanzo hutumia muundo rahisi zaidi wa GRU wenye milango miwili kama mbadala wa LSTM ambao unaweza kunasa utegemezi wa muda kwa ugumu mdogo wa mafunzo.

Hesabu za GRU katika chanzo zimetolewa kwa mfululizo ufuatao:

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

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

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

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

\(x_t\) vekta ya ingizo katika hatua ya sasa ya muda;\(S_{t-1}\) hali fiche ya awali;\(r_t\) matokeo ya reset gate;\(\rho_t\) matokeo ya update gate;\(\check S_t\) hali fiche inayopendekezwa;\(S_t\) na hali fiche mpya. Alama \(W\) na \(U\) zinawakilisha matriksi za uzito zinazojifunzwa.

Reset gate hudhibiti ni kiasi gani cha hali ya zamani huhamishwa kwenda kwenye hali mpya inayopendekezwa. Update gate huamua kwa uwiano gani hali fiche ya zamani na hali mpya inayopendekezwa zinaunganishwa. Hivyo, modeli hailazimiki kubeba kwa kiwango sawa taarifa zote za joto na uendeshaji za dakika zilizopita inapochakata thamani mpya za sensa kila dakika.

Uwakilishi wa pamoja na vichwa vya kazi

Katika usanifu mkuu kuna tabaka mbili za GRU zilizopangwa mfululizo, na kila tabaka hutumiavitengo fiche 64. Katika chanzo, dirisha msingi la ingizo linafafanuliwa kama hatua 15 za muda × sifa 9, yaani(15, 9) tensor.

Hali fiche yenye vipimo 64 ya tabaka la mwisho la GRU hutumika kama uwakilishi wa pamoja. Kisha vichwa vitatu tofauti vya kazi vya fully connected hubadilisha uwakilishi huu wa pamoja kuwa utabiri mmoja wa scalar kwa halijoto ya hewa ya kurudi, unyevunyevu wa jamaa wa hewa ya kurudi na matumizi ya RTU, mtawalia.

Funksheni ya hasara ya Multi-Task Learning

Katika muundo wa kawaida wa MTL, hasara za kazi hujumlishwa kwa uzito:

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

Hapa \(N_T\) inawakilisha idadi ya kazi; kwa utafiti huu \(N_T=3\). \(\phi_s\) inawakilisha vigezo vya tabaka la pamoja, \(\phi_i\) vigezo vya kichwa maalum cha kazi \(i\), \(L_i\) hasara ya kazi husika na \(\omega_i\) uzito wa kazi.

Usasishaji wa vigezo vya modeli kwa gradient descent:

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

hutolewa kwa namna hii. \(\eta\) ni kiwango cha kujifunza.

Tatizo msingi la fomula hii ni kwamba ikiwa ukubwa wa hasara au athari ya gradient ya kazi moja ni kubwa sana kuliko za kazi nyingine, inaweza kutawala ujifunzaji wa tabaka za pamoja. Hii ndiyo sababu utafiti ulilinganisha mikakati minne tofauti ya kuweka uzito.

Mikakati minne ya kuweka uzito wa MTL

MTL: Ni modeli ya msingi inayotumiwa katika chanzo kama “no weight update” au uwekaji uzito wa wastani/kawaida.

MTL-DW: Katika mbinu ya Dynamic Weighting, uzito wa kazi husasishwa kadiri mafunzo yanavyoendelea kulingana na mabadiliko ya hasara katika epoch zilizopita. Chanzo hutumia katika uwasilishaji wa kazi mbili:

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

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

kauli hizi. \(\check L\) inawakilisha wastani wa hasara ya kazi katika epoch iliyotangulia.

MTL-GL: Geometric Loss hutumia wastani wa kijiometri wa hasara za kazi kama funksheni ya pamoja ya lengo:

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

Mbinu hii inalenga kupunguza hitaji la kuchagua uzito wa kazi kwa mikono.

MTL-UW: Homoscedastic Uncertainty Weighting huongeza kwenye funksheni ya hasara kigezo kinachojifunzwa \(\sigma_i\), ambacho kinawakilisha kelele ya uchunguzi ya kila kazi:

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

Kwa njia hii, modeli inaweza kujifunza uzito wa jamaa wa kazi wakati wa mafunzo badala ya kutumia vigawo thabiti vilivyochaguliwa mapema kwa mikono.

Meta-modeli ya ensemble inaundwaje?

Miundo yote minne ya base model inapotumiwa, kila modeli hutoa utabiri wa kazi tatu na alama moja ya umuhimu inayotegemea uthibitishaji. Hivyo, miundo minne × taarifa nne =meta-sifa yenye vipimo 16 hutokea. Base model tatu zikitumiwa hupatikana meta-sifa 12, na base model mbili zikitumiwa hupatikana meta-sifa 8.

Meta-modeli ya GBRT hufunzwa kando kwa kila matokeo lengwa. Chanzo kinasema kwamba kwa GBRT zimetumikahatua 500 za boosting, kina cha juu kabisa 3, kiwango cha kujifunza 0,2 na hasara ya least-squares regression.

Utafiti Huu Kwa Kweli Unatabiri Dakika Ngapi Mbele?

Kulingana na ufafanuzi wazi wa sehemu ya mbinu, matokeo msingi yaliyothibitishwa ya modeli ni \(t+1\), yaani katika azimio la sampuli la dakika 1,baada ya dakika 1 utabiri wa halijoto ya hewa ya kurudi, unyevunyevu wa jamaa na matumizi ya umeme ya RTU. Ingawa sehemu fulani za makala na kichwa cha Kielelezo 12 zinatumia neno “day-ahead”, chanzo hakifafanui itifaki tofauti ya mafunzo au majaribio kwa upeo wa utabiri wa saa 24; kwa hiyo “day-ahead” haipaswi kutafsiriwa kama utabiri uliothibitishwa wa saa 24 mbele.

Chanzo kinafafanua dirisha la lookback la hatua 15 kwa usanifu wa awali. Kwa kuwa kila hatua ni dakika 1, hii inamaanisha uchunguzi wa kihistoria wa dakika 15 katika usanifu msingi. Baadaye, uchanganuzi wa unyeti ulifanywa kwa madirisha ya lag ya dakika 5, 10, 15 na 20.

Mbinu na Matokeo ya Utafiti

Mafunzo na uteuzi wa hiperparameta

Kazi zote zilichukuliwa kama matatizo ya regression na Mean Squared Error (MSE) ikatumika kama hasara ya mafunzo. Vigezo vya modeli vilisasishwa kwa Adam optimizer.

Utafutaji wa hiperparameta ulifanywa kwa Optuna 4.8.0. Kila usanidi mgombea ulifunzwa awali kwa epoch 10 ili kutathmini MSE ya uthibitishaji, na jumla ya majaribio 50 yaliyofaulu yalifanywa.

Ili kupunguza overfitting ya modeli, callback inayositisha mafunzo wakati hasara ya uthibitishaji haijaboreshwa kwa epoch kumi mfululizo, utaratibu unaohifadhi hali bora zaidi ya uthibitishaji, na scheduler inayorekebisha kiwango cha kujifunza baada ya kutoboreshwa mara tano mfululizo zilitumika.

Matokeo ya majaribio ya miundo binafsi ya MTL

Jedwali hili linaonyesha wazi kwamba hakuna modeli moja iliyo bora zaidi kwa malengo yote na vipimo vyote. MTL yenye uzito wa wastani hutoa MSE na MAE za chini zaidi pamoja na \(R^2\) ya juu zaidi kwa halijoto ya hewa ya kurudi. MTL-DW ina \(R^2\) ya juu zaidi kwa unyevunyevu wa jamaa wa hewa ya kurudi. Kwa matumizi ya RTU, MTL-UW hutoa MSE ya chini zaidi na \(R^2\) ya juu zaidi, huku MTL-GL ikitoa MAE ya chini zaidi.

Matokeo ya Jedwali 3 la chanzo kwa miundo ya ensemble

Katika jedwali, thamani ya MAE ya halijoto ya E-MTL5 na E-MTL6 imechapishwa katika chanzo kama 0,4958. Pamoja na MSE=0,0037 katika mstari huohuo, thamani hii inahitaji kuangaliwa kwa mtazamo wa kihisabati; lakini kwa kuwa chanzo hakiandiki 0,04958 au thamani nyingine, Verianla haijaisahihisha kimya kimya.

Je, Modeli ya Ensemble Kwa Kweli Ina Utendaji Bora Kuliko Miundo Binafsi ya MTL?

Maandishi ya chanzo yanadai kwamba mbinu ya ensemble huzidi miundo binafsi ya MTL kwa utaratibu; hata hivyo, Jedwali 3 na Jedwali 4 yaliyochapishwa hayaungi mkono ujumlishaji huu wenye msisitizo katika kazi na vipimo vyote. Kwa mfano, modeli binafsi ya MTL katika utabiri wa halijoto hutoa MSE/MAE ya chini na \(R^2\) ya juu kuliko E-MTL1; MTL-UW katika matumizi ya RTU hutoa MSE ya chini na \(R^2\) ya juu kuliko E-MTL1; na MTL-GL ina RTU MAE ya chini. Kwa hiyo, utafiti unaonyesha uwezekano wa kutumia usanifu wa ensemble na mbinu ya kuunganisha miundo mingi, lakini hitimisho kwamba “ni bora kuliko miundo yote binafsi katika kila kipimo” halithibitishwi bila masharti na majedwali ya chanzo.

Pia inastahili kuzingatiwa kwamba thamani za E-MTL1 katika Jedwali 3 ni sawa na mstari wa MTL-DW. Maandishi ya chanzo yanafafanua E-MTL1 kama “uzito wa wastani + geometric loss”, ilhali tanbihi ya Jedwali 3 inafafanua E-MTL1 kama “no weight update + DW”. Kwa hiyo, muundo halisi wa base-model wa E-MTL1 hauko thabiti ndani ya chanzo.

Vipimo vya E-MTL1 vinavyopendelewa na chanzo

Thamani hizi zilizozungushwa ndizo nambari zilizotolewa kwa E-MTL1 katika sehemu ya matokeo ya chanzo. Hata hivyo, zinapaswa kusomwa pamoja na jedwali la miundo binafsi lililo hapo juu.

Kwa nini dirisha la lag ni muhimu?

Modeli ya mfululizo wa muda haitumii dakika ya sasa pekee, bali pia mwelekeo na kasi ya mabadiliko katika dakika zilizopita. Dirisha la kihistoria lililo fupi sana linaweza lisikamate mienendo ya kutosha ya joto; dirisha lililo refu sana linaweza kubeba taarifa za zamani kupita kiasi na kuchelewesha mwitikio kwa mabadiliko ya ghafla.

Utafiti ulilinganisha madirisha ya lag ya dakika 5, 10, 15 na 20 kwa kutumia Mean Absolute Percentage Error (MAPE). Kulingana na tafsiri ya chanzo, dirisha la dakika 5 linaweza kusababisha miundo fulani kujifunza kupita kiasi kelele na mabadiliko ya muda mfupi, wakati dirisha la dakika 20 linaweza kusababisha ucheleweshaji usio wa lazima katika mabadiliko ya ghafla ya joto.

Katika sehemu ya matokeo ya chanzo,lag ya dakika 10 imeripotiwa kuwa ndiyo suluhu tuli inayofaa zaidi kati ya responsiveness na stability ndani ya kipindi cha dakika 5–20 kilichochunguzwa.

Kuna jambo dogo la kimbinu hapa: katika maelezo ya usanifu, tensor ya ingizo imefafanuliwa kama hatua 15 × sifa 9, ilhali katika sehemu ya matokeo dirisha la dakika 10 ndilo linalopendelewa. Hali hii inapaswa kusomwa kwa kuzingatia kwamba muundo wa dakika 15 ni maelezo ya usanifu wa awali/msingi, na uchunguzi wa dakika 5–20 ni jaribio tofauti la unyeti.

Matokeo ya mfululizo wa muda yanaonyesha nini?

Kielelezo 12 cha chanzo kinaonyesha pamoja mfululizo wa muda wa halijoto halisi na iliyotabiriwa ya hewa ya kurudi, unyevunyevu wa jamaa wa hewa ya kurudi na matumizi ya umeme ya RTU. Mikunjo ya halijoto na unyevunyevu kwa ujumla hufuata kwa karibu ishara halisi, wakati matumizi ya RTU yana mabadiliko ya haraka na makali zaidi.

Waandishi wanatafsiri uwezo wa modeli kufuatilia muundo huu unaobadilika wa matumizi ya RTU kama ishara kwamba imeweza kujifunza mahusiano kati ya vigezo vya ingizo. Hata hivyo, grafu hii pekee haionyeshi kwamba modeli itafanya kazi kwa usahihi uleule katika jengo jingine, msimu tofauti au kifaa tofauti.

Je, senario mbili za matumizi ni majaribio halisi?

Hapana. Senario mbili katika sehemu ya 5 ya makala niillustrative narratives, yaani senario za mfano zinazotumika kwa maelezo. Chanzo kinasema hili wazi. Nambari kama ongezeko la halijoto la 2 °C, ongezeko la unyevunyevu wa jamaa la %5 au ongezeko la nguvu la %10 katika senario hizi si matokeo mapya yaliyopimwa katika hali maalum ya majaribio.

Senario ya kwanza inaeleza kwamba BMS inaweza kutumia utabiri kurekebisha mapema hali za hewa ya usambazaji au kasi ya feni. Senario ya pili inaonyesha kwamba mchanganyiko wa matumizi ya nishati yasiyotarajiwa kuwa juu na halijoto ya chini ya hewa ya kurudi/unyevunyevu wa juu unaweza kuelekeza uchunguzi wa hali kama stuck cooling valve au tatizo la sensa.

Mifano hii imeundwa ili iendane na ukubwa wa makosa ya utabiri yaliyothibitishwa ya modeli; hata hivyo, utafiti haukufanya jaribio halisi la utambuzi wa hitilafu kiotomatiki wala matumizi ya udhibiti wa kitanzi kilichofungwa kwa wakati halisi.

Matokeo yanayoungwa mkono na utafiti

• Modeli ya ujifunzaji wa kazi nyingi inayotegemea GRU ilitengenezwa kwa data halisi za uendeshaji wa ORNL RTU ili kutabiri kwa pamoja vigezo vitatu vya utendaji wa AHU.
• MTL ya kawaida, geometric loss, dynamic weighting na uncertainty weighting zililinganishwa kwenye usanifu uleule msingi.
• Mikakati tofauti ya kuweka uzito ilijitokeza katika kazi tofauti; hakuna modeli moja binafsi iliyo bora wazi katika malengo na vipimo vyote.
• Thamani za juu za \(R^2\) zilipatikana katika utabiri wa halijoto ya hewa ya kurudi ya RTU na unyevunyevu wa jamaa.
• Ingawa utabiri wa matumizi ya RTU ni mgumu zaidi kuliko ule wa vigezo vya mazingira, chanzo kimeripoti \(R^2\) hadi takribani 0,88.
• Meta-modeli inayotegemea GBRT inaonyesha kwamba matokeo tofauti ya MTL na taarifa ya umuhimu inayotegemea uthibitishaji vinaweza kuunganishwa katika mfumo mmoja wa ensemble.
• Unyeti wa lag unaonyesha kwamba dirisha la dakika 10 hutoa uwiano mzuri wa responsiveness–stability katika kiwango kilichochunguzwa.

Ujumlishaji ambao utafiti hauungi mkono

• Utafiti hauthibitishi kwamba usahihi uleule utapatikana katika mifumo yote ya AHU au majengo yote.
• Modeli imethibitishwa tu kwa data za ORNL Flexible Research Platform; hakuna transfer test iliyofanywa kwenye majengo mengine halisi.
• Sehemu ya mbinu ya chanzo inathibitisha utabiri wa baada ya dakika 1; hakuna itifaki tofauti ya majaribio ya “day-ahead” ya saa 24 mbele iliyotolewa.
• Mabadiliko ya halijoto, unyevunyevu na nguvu katika senario mbili za matumizi si visa vipya vya majaribio vilivyopimwa.
• Modeli si mfumo wa fault-diagnosis uliofunzwa moja kwa moja kwa lebo za hitilafu za kimwili.
• Haijaonyeshwa kwamba tofauti kati ya utabiri na kipimo halisi inaweza kutambua kwa uhakika hitilafu maalum ya vali, sensa au kipengele.
• Uokoaji wa nishati au upunguzaji wa kaboni wa modeli haujapimwa katika mazingira halisi kwa jaribio la udhibiti wa kitanzi kilichofungwa.
• Majedwali yaliyochapishwa hayaonyeshi kwamba miundo ya ensemble ni bora kuliko miundo yote binafsi ya MTL katika kila kazi na kila kipimo cha utendaji.

Vikwazo vikuu na kazi za baadaye

Chanzo kimoja cha data za kimwili: Uthibitishaji umewekewa mipaka kwenye ORNL Flexible Research Platform. Seti ya held-out test ni sehemu isiyoonekana hapo awali ya mfumo huohuo wa kimwili; si uthibitishaji wa nje kwenye majengo au maeneo mengine ya kijiografia.

Lag tuli: Lag ya dakika 10 ilibainika kuwa suluhu inayofaa katika seti ya sasa ya data. Chanzo kinapendekeza kwamba katika siku zijazo iendelezwe lookback window inayobadilika au adaptive kulingana na kasi ya mabadiliko ya hali ya hewa.

Mifumo ya upstream: Kupungua kwa ufanisi upande wa chiller au boiler kunaweza kuathiri uwezo wa coil ya AHU. Modeli ya sasa hunasa athari hizi kwa njia isiyo ya moja kwa moja kupitia sifa za hewa ya usambazaji badala ya kutumia moja kwa moja ingizo za upande wa maji. Katika siku zijazo inapendekezwa kuongeza moja kwa moja kwenye modeli vigezo kama halijoto na mtiririko wa chilled/hot water.

Mzigo wa kihesabu: Muundo wa ensemble unahitaji forward pass za base model nyingi na husababisha muda mrefu zaidi wa mafunzo, hitaji kubwa la kumbukumbu na gharama kubwa zaidi za inference kuliko modeli moja. Chanzo kinasema kwamba hili linaweza kudhibitika katika mizunguko ya udhibiti wa HVAC ya kiwango cha dakika au zaidi, lakini linaweza kuleta kikomo cha ucheleweshaji katika matumizi ya sub-second.

Kutolingana kwa majedwali ya utendaji: Maelezo ya chanzo kuhusu ubora wa ensemble hayalingani kikamilifu na majedwali yaliyochapishwa. Hali hii ni muhimu kwa kutekeleza upya modeli kwa kujitegemea na kuthibitisha tena matokeo.

Maelezo ya Chanzo na Mbinu

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

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

Corresponding authors: Adedayo Johnson Ogungbile na Favour David Agbajor.

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

Uhusiano wa taasisi 2: School of Science and Technology, Hong Kong Metropolitan University, Hong Kong SAR, China.

Uhusiano wa taasisi 3: School of Architecture and Built Environment, Deakin University, Geelong, Victoria, Australia.

Jarida: Sustainability.

Mchapishaji: MDPI, Basel, Switzerland.

Juzuu / toleo / nambari ya makala: Volume 18, Issue 15, Article 7980.

DOI: 10.3390/su18157980.

Tarehe ya kuwasilisha: 11 Juni 2026.

Tarehe ya marekebisho: 29 Julai 2026.

Tarehe ya kukubaliwa: 3 Agosti 2026.

Tarehe ya kuchapishwa kwa PDF: 6 Agosti 2026.

Maelezo ya tarehe ya bibliografia: Katika orodha ya sasa ya toleo maalum la MDPI, tarehe ya makala inaonekana kama 5 Agosti 2026, wakati PDF rasmi inatoa 6 Agosti 2026. Katika maandishi haya ya Verianla, tarehe ya PDF imehifadhiwa.

Aina ya chanzo: Makala ya utafiti iliyopitiwa na wataalamu; utafiti wa ujifunzaji wa mashine/uthibitishaji wa modeli unaotegemea data halisi za uendeshaji wa HVAC.

Leseni: Creative Commons Attribution (CC BY).

Kitambulisho rasmi cha chapisho: DOI 10.3390/su18157980.

Chanzo cha data: Seti ya data za uendeshaji wa RTU/HVAC ya Oak Ridge National Laboratory Flexible Research Platform.

Azimio la data: dakika 1.

Kipindi cha uchanganuzi wa kina: Uendeshaji msingi wa upoeshaji wa 8–14 Julai 2021.

Mafunzo/uthibitishaji/majaribio: 8:1:1.

Modeli: Multi-Task Learning yenye tabaka mbili inayotegemea GRU, ikitumia vitengo fiche 64 katika kila tabaka; mikakati minne ya kuweka uzito wa kazi na GBRT ensemble/meta-model.

Lengo la utabiri: Kulingana na sehemu ya mbinu ya chanzo, hatua inayofuata ya muda, yaani baada ya dakika 1: halijoto ya hewa ya kurudi, unyevunyevu wa jamaa wa hewa ya kurudi na matumizi ya umeme ya RTU.

Ufadhili: Waandishi waliripoti kwamba utafiti haukupokea ufadhili wa nje.

Msaada/Acknowledgments: Imeelezwa kwamba utafiti uliungwa mkono na Centre for Advances in Reliability and Safety (CAiRS), AIR@InnoHK Research Cluster na Hong Kong Metropolitan University.

Kamati ya maadili: Haitumiki.

Ridhaa baada ya kufahamishwa: Haitumiki.

Upatikanaji wa data: Imeelezwa kwamba data zilizowasilishwa katika utafiti zinaweza kupatikana kutoka kwa corresponding author kwa ombi lenye sababu.

Mgongano wa maslahi: Waandishi waliripoti kwamba hakuna mgongano wa maslahi.

Michango ya waandishi: Uundaji wa dhana T.M.A. na F.D.A.; mbinu T.M.A., A.J.O. na F.D.A.; programu T.M.A.; uthibitishaji T.M.A.; rasilimali A.J.O.; uratibu wa data T.M.A.; rasimu ya kwanza T.M.A., A.J.O. na F.D.A.; mapitio na uhariri F.D.A.; uonyeshaji T.M.A. na F.D.A.; usimamizi wa mradi A.J.O.; upatikanaji wa ufadhili A.J.O.

Kutolingana ndani ya chanzo 1 — GRU/LSTM: Maandishi ya mbinu, Kielelezo 7 na sehemu ya matokeo hufafanua kisimbaji cha pamoja kama GRU. Kinyume chake, katika Kielelezo 8 cha chanzo kisanduku cha kati kimewekewa lebo “LSTM model shared layers”. Makala hii ya Verianla imetumia usanifu wa GRU katika maandishi ya mbinu kama msingi na haijaficha tofauti katika lebo ya kielelezo.

Kutolingana ndani ya chanzo 2 — upeo wa utabiri: Sehemu ya mbinu hufafanua matokeo waziwazi kama \(t+1\), yaani baada ya dakika 1, ilhali baadhi ya maandishi na Kielelezo 12 hutumia neno “day-ahead”. Chanzo hakifafanui itifaki tofauti ya utabiri wa saa 24 mbele.

Kutolingana ndani ya chanzo 3 — nambari ya jedwali: Miundo ya ensemble imetolewa katika Jedwali 3 la chanzo na miundo binafsi katika Jedwali 4; hata hivyo, katika baadhi ya sentensi za maelezo na matokeo E-MTL1 inahusishwa na “Table 4”.

Kutolingana ndani ya chanzo 4 — muundo wa E-MTL1: Tanbihi ya Jedwali 3 la chanzo inatoa E-MTL1 kama “no weight update + DW”, ilhali maandishi ya maelezo yanafafanua E-MTL1 kama uzito wa wastani + geometric loss.

Kutolingana ndani ya chanzo 5 — ubora wa ensemble: Maandishi na sehemu ya matokeo yanasema miundo ya ensemble huzidi kwa uthabiti lahaja binafsi za MTL katika kazi zote; thamani za Jedwali 3 na Jedwali 4 zilizochapishwa haziungi mkono kauli hii yenye nguvu katika vipimo vyote.

Kutolingana ndani ya chanzo 6 — E-MTL5/E-MTL6: Katika Jedwali 3, thamani ya MAE ya halijoto ya hewa ya kurudi ya miundo hii miwili imechapishwa kama 0,4958. Nafasi ya desimali haijabadilishwa kwa niaba ya chanzo.

Maelezo ya kitengo ndani ya chanzo: RTU airflow rate imetolewa kama m³/h katika Jedwali 1 la chanzo na kama m³/s katika sifa zilizochaguliwa za Jedwali 2. Kigezo cha umeme cha RTU pia huitwa “power”, “power consumption” na matumizi ya umeme katika Wh katika sehemu tofauti.

Kikomo cha matumizi: Modeli haijafanyiwa uthibitishaji wa nje kwenye majengo mengine halisi au mifumo huru ya HVAC. Chanzo kinataja hili kama eneo la kazi ya baadaye.