Ensemble Multi-Task Learning (E-MTL) — чорчӯбаи пешгӯии ба додаҳо асосёфтаест, ки баромадҳои моделҳои гуногуни омӯзиши бисёрвазифаро, ки ҳамзамон якчанд тағйирёбандаи ба ҳам вобастаи кори воҳиди коркарди ҳаворо пешгӯӣ мекунанд, дар мета-модели бар Gradient Boosting Regression Tree (GBRT) асосёфта муттаҳид мекунад. Дар ин таҳқиқот система бо истифода аз додаҳои воқеии кори HVAC, ки аз Oak Ridge National Laboratory Flexible Research Platform гирифта шудаанд, барои пешгӯии якҷояи ҳарорати ҳавои бозгашти RTU, намии нисбии ҳавои бозгашт ва истеъмоли барқи RTU таҳия шудааст.

Модели асосӣ аз кодгузори муштараки силсилаи вақтии Gated Recurrent Unit (GRU) истифода мебарад. Равзанаи таърихии нӯҳ тағйирёбандаи воридотӣ аз ду қабати GRU бо 64 воҳиди пинҳонӣ гузаронда шуда, намояндагии муштарак ба се вазифаи ҷудогонаи регрессия тақсим мешавад. Дар таҳқиқот чор стратегияи гуногуни вазнгузории вазифаҳо арзёбӣ шудаанд: Multi-Task Learning (MTL)-и стандартӣ бо талафоти миёна, MTL-GL бо geometric loss, MTL-DW бо dynamic weighting ва MTL-UW бо uncertainty weighting.

Мувофиқи бахши усули манбаъ, ҳар се ҳадаф бароиқадами навбатии вақт, яъне 1 дақиқа баъд пешгӯӣ мешаванд. Воридоти истифодашуда ҳарорат ва намии нисбии ҳавои берунӣ, ҳарорат ва намии нисбии миёнаи муҳити дохилӣ, ҳарорат ва намии нисбии ҳавои таъминотии RTU, сарфи ҳавои RTU, инчунин ҳарорат ва намии нисбии ҷории ҳавои бозгашт мебошанд. Истеъмоли барқи RTU ҳадафи баромад аст ва дар рӯйхати нӯҳ воридот ҷой надорад.

Дар байни моделҳои инфиродӣ, MTL-и стандартӣ барои ҳарорати ҳавои бозгашт бо MSE=0,0022, MAE=0,0391 °C ва \(R^2=0,9873\) натиҷаи қавӣ нишон додааст. Барои намии нисбии ҳавои бозгашт, баландтарин \(R^2\) — 0,9632 — дар MTL-DW мушоҳида шудааст; барои истеъмоли RTU бошад, пасттарин MSE ва баландтарин \(R^2\) мутаносибан 6702 ва 0,8861 дар MTL-UW, дар ҳоле ки пасттарин MAE — 40,7777 — дар MTL-GL гузориш шудааст.

Муаллифон равиши ensemble-ро бо мақсади муттаҳид кардани ҷиҳатҳои қавии моделҳо дар вазифаҳои гуногун таҳия карда, E-MTL1-ро ҳамчун сохтори ensemble-и бартаридодашуда баррасӣ кардаанд. Барои E-MTL1 қиматҳои \(R^2\) барои ҳарорати ҳавои бозгашт, намии нисбӣ ва истеъмоли RTU мутаносибан 0,9843, 0,9632 ва 0,8761 мебошанд. Бо вуҷуди ин, ҳангоми муқоисаи Ҷадвали 3 ва Ҷадвали 4-и нашршуда, иддаои қавии манбаъ дар бораи он ки моделҳои ensemble дар ҳамаи метрикаҳо пайваста аз ҳамаи моделҳои инфиродии MTL бартарӣ доранд, аз ҷониби ҷадвалҳои ададӣ пурра дастгирӣ намешавад. Аз ин рӯ, натиҷаҳо бояд ҳамчун таҳқиқоти моделсозие арзёбӣ шаванд, ки иқтидори равиши ensemble-ро нишон медиҳад, вале бо дарназардошти номувофиқиҳои дохилии манбаъ дар ҷадвалҳои нишондиҳандаҳо тафсир карда шавад.

Чаро AHU бояд ба таври пешгӯишаванда арзёбӣ шавад?

Системаҳои Heating, Ventilation and Air-Conditioning (HVAC) ҳарорат, намӣ, сифати ҳаво ва гардиши ҳаворо дар биноҳо идора мекунанд. Air Handling Unit (AHU) яке аз ҷузъҳои асосии ин система мебошад, ки ҳавои ба дохили бино фиристодашавандаро омода мекунад. AHU метавонад ҳавои берунӣ ва ҳавои бозгаштро омехта кунад, ҳаворо филтр кунад, гарм ё хунук намояд, намии онро тағйир диҳад ва тавассути вентиляторҳо ба фазоҳои шароитдиҳишуда фиристад.

Таҳқиқот махсусан аз фарзияе бармеояд, ки хусусиятҳои ҳавои бозгашт дар бораи кори система маълумот медиҳанд. Аз доираи интизории корӣ хориҷ шудани ҳарорати ҳавои бозгашт ё намии нисбии он метавонад бо хунуккунии аз ҳад зиёд, хунуккунии нокифоя, намкаши нокифоя ё дигар тағйирот дар рафтори таҷҳизот алоқаманд бошад. Истеъмоли барқи RTU низ метавонад ҳамзамон ба арзёбии самаранокии энергетикӣ кумак кунад.

Холигии таҳқиқотӣ дар он аст, ки дар ҳоле ки қисми назарраси адабиёти HVAC ба ташхиси носозӣ ё идоракунии оптималӣ тамаркуз мекунад, ба истифодаи пешгӯии якҷояи баромадҳои ояндаи кори AHU ҳамчун нишондиҳандаи мустақими иҷроиш камтар таваҷҷуҳ шудааст.

Модели Ensemble Multi-Task Learning Чист?

Модели Ensemble Multi-Task Learning дар ин таҳқиқот меъмории пешгӯиест, ки пешгӯиҳои чор модели гуногуни омӯзиши бисёрвазифаи бар GRU асосёфтаро, ки ҳамон се баромади AHU-ро пешгӯӣ мекунанд, ҳамроҳ бо маълумоти аҳамияти модел, ки аз додаҳои валидация гирифта шудааст, дар мета-модели бар GBRT асосёфта муттаҳид мекунад. Ҳадаф истифодаи маълумот ва пешгӯиҳои моделҳои гуногун дар як модели болоии муштарак аст, вақте ки як усули вазнгузории вазифаҳо метавонад барои ҳар тағйирёбанда ба як андоза муваффақ набошад.

Ҷараёни асосии ҳаво дар дохили AHU

Омӯзиши ҳолат ва манбаи додаҳо

Додаҳои таҷрибавӣ додаҳои воқеии вақти кори RTU мебошанд, ки Oak Ridge National Laboratory пешниҳод кардааст. Flexible Research Platform, ки додаҳо дар он ҷамъоварӣ шудаанд, бинои дуқабатаи таҳқиқотӣ мебошад. Таҷҳизоти асосии HVAC як rooftop unit бо иқтидори 44 kW ва дараҷаи самаранокии энергетикии 9,6 мебошад. Система коили хунуккунии direct-expansion (DX) ва коили гармкуниро дар бар мегирад.

Дар бино даҳ минтақаи гармӣ мавҷуд аст ва ҳар минтақа тавассути қуттии Variable Air Volume (VAV)-и худ хизматрасонӣ мешавад. Дар инфрасохтори аслии таҷрибавӣ беш аз 500 сенсор мавҷуд буда, додаҳо бо сабткунандаи Campbell Scientific CR3000 бо қарори 1-дақиқагӣ ҷамъоварӣ шудаанд.

Таҷрибаи аслии мавсими хунуккунӣ се давраи кориро дар бар мегирад: кори асосии 8–14 июли 2021, кори free-floating аз 20–25 июли 2021 ва кори night-setback аз 28 июл–4 августи 2021. Дар таҳлили муфассали модели ин таҳқиқот танҳоdавраи асосии хунуккунии 8–14 июли 2021 истифода шудааст.

Дар ин давра ҳарорати ҳавои берунӣ тақрибан аз ҳадди ақалли шабонаи 20 °C то ҳадди аксари рӯзонаи 32 °C тағйир ёфтааст.

Нӯҳ воридот ва се баромади истифодашуда дар модел

Гарчанде ки дар Ҷадвали 1-и манбаъ сарфи ҳавои RTU ҳамчун m³/h дода шудааст, хусусияти модел дар Ҷадвали 2 ҳамчун m³/s нишон дода мешавад. Ҳамчунин, манбаъ тағйирёбандаи RTU-ро дар баъзе ҷойҳо “power” ва дар ҷойҳои дигар “power consumption/electric energy consumption” бо воҳиди Wh меномад. Матни Verianla ин фарқиятҳои воҳид ва истилоҳотро хомӯшона муттаҳид намекунад.

Тозакунии додаҳо ва пешгирии ихроҷи додаҳо

Майдони сана формат карда шуда, мушоҳидаҳои гумшуда бо усули moving average пур карда шудаанд. Ченкуниҳои минтақавии VAV ба модел алоҳида дода нашудаанд; ҳарорат ва намии нисбии дохилии даҳ минтақаи гармӣ ба қиматҳои миёнаи намояндаи бино табдил дода шудаанд.

Додаҳои тозашуда аввал бо таносуби8:1:1 ба маҷмӯаҳои омӯзиш, валидация ва санҷиш тақсим шудаанд. Бо ин роҳ кӯшиш шудааст, ки ихроҷи маълумоти валидация ва санҷиш ба коркарди пешакии омӯзиш кам карда шавад.

Таҳлили қиматҳои берунӣ танҳо дар додаҳои омӯзиш анҷом дода шудааст. Барои ҳар хусусият квартили якум \(Q_1\), квартили сеюм \(Q_3\) ва:

\[ IQR=Q_3-Q_1 \]

ҳисоб карда шудааст. Мушоҳидаҳои берун аз ҳудудҳои зерин ҳамчун қиматҳои берунӣ ишора шудаанд:

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

Қиматҳои берунӣ махсусан дар истеъмоли барқи RTU мушоҳида шуда, муаллифон қисми зиёди онҳоро на ҳамчун ҳолати воқеии корӣ, балки ҳамчун data-logger transient-ҳои кӯтоҳмуддат шарҳ додаанд. Қиматҳои ишорашудаи истеъмоли RTU пеш аз нормализатсия бо истифода аз ду нуқтаи наздиктарини вақти боэътибор тавассути интерполятсияи хаттӣ иваз карда шудаанд.

Барои стандартизатсия танҳо қиматҳои миёна ва инҳирофи стандартӣ, ки аз маҷмӯаи омӯзиш гирифта шудаанд, истифода шуда, ҳамон параметрҳо ба маҷмӯаҳои валидация ва санҷиш татбиқ шудаанд.

Чаро GRU истифода мешавад?

Gated Recurrent Unit сохтори recurrent neural network мебошад, ки маълумоти гузаштаро дар силсилаҳои пайдарпайи вақт тавассути ҳолати пинҳонӣ интиқол дода, бо дарвозаҳои навсозӣ ва азнавтанзимкунӣ муайян мекунад, ки кадом маълумоти гузашта нигоҳ дошта ё фурӯнишонда шавад. Манбаъ сохтори содатари дударвозаи GRU-ро нисбат ба LSTM ҳамчун алтернативае истифода мебарад, ки бо мураккабии камтари омӯзиш вобастагиҳои вақтро фаро гирифта метавонад.

Ҳисобҳои GRU дар манбаъ бо занҷири зерин дода шудаанд:

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

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

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

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

\(x_t\) вектори воридотӣ дар қадами ҷории вақтро;\(S_{t-1}\) ҳолати пинҳонии қаблиро;\(r_t\) баромади reset gate-ро;\(\rho_t\) баромади update gate-ро;\(\check S_t\) ҳолати пинҳонии номзадро;\(S_t\) бошад ҳолати пинҳонии навро ифода мекунад. Рамзҳои \(W\) ва \(U\) матритсаҳои вазни омӯзишшаванда мебошанд.

Reset gate танзим мекунад, ки чӣ қадар аз ҳолати гузашта ба ҳолати нави номзад гузаронида шавад. Update gate бошад муайян мекунад, ки ҳолати пинҳонии кӯҳна ва ҳолати нави номзад бо кадом таносуб якҷо шаванд. Бо ин роҳ, модель ҳангоми коркарди қиматҳои нави сенсор дар ҳар дақиқа маҷбур нест тамоми маълумоти гармӣ ва эксплуатационии дақиқаҳои қаблиро ба як андоза нигоҳ дорад.

Намояндагии муштарак ва сарҳои вазифаҳо

Дар меъмории асосӣ ду қабати пайдарпайи GRU мавҷуд аст ва ҳар қабат64 воҳиди пинҳонӣ истифода мебарад. Дар манбаъ равзанаи асосии воридот ҳамчун 15 қадами вақт × 9 хусусият, яъне(15, 9) тензор муайян шудааст.

Ҳолати пинҳонии 64-андозагии қабати охирини GRU ҳамчун намояндагии муштарак истифода мешавад. Сипас се сари ҷудогонаи fully connected ин намояндагии муштаракро мутаносибан ба як пешгӯии скалярӣ барои ҳарорати ҳавои бозгашт, намии нисбии ҳавои бозгашт ва истеъмоли RTU табдил медиҳанд.

Функсияи талафоти Multi-Task Learning

Дар сохтори стандартии MTL талафоти вазифаҳо ба таври вазннок ҷамъ карда мешаванд:

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

Дар ин ҷо \(N_T\) шумораи вазифаҳоро ифода мекунад; барои ин таҳқиқот \(N_T=3\) аст. \(\phi_s\) параметрҳои қабати муштарак, \(\phi_i\) параметрҳои сари хоси вазифаи \(i\), \(L_i\) талафоти вазифаи дахлдор ва \(\omega_i\) вазни вазифаро ифода мекунанд.

Навсозии параметрҳои модел бо gradient descent:

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

дода шудааст. \(\eta\) суръати омӯзиш аст.

Мушкилоти асосии ин формула дар он аст, ки агар андозаи талафот ё таъсири gradient-и яке аз вазифаҳо аз дигарон хеле калонтар бошад, он метавонад дар омӯзиши қабатҳои муштарак ҳукмрон гардад. Сабаби муқоисаи чор стратегияи гуногуни вазнгузорӣ дар таҳқиқот ҳамин аст.

Чор стратегияи вазнгузории MTL

MTL: Модели асосиест, ки дар манбаъ ҳамчун “no weight update” ё вазнгузории миёна/стандартӣ истифода шудааст.

MTL-DW: Дар равиши Dynamic Weighting вазнҳои вазифаҳо бо пешрафти омӯзиш мутобиқи тағйироти талафоти epoch-ҳои гузашта нав карда мешаванд. Манбаъ дар пешниҳоди дувазифа чунин ифодаҳоро истифода мекунад:

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

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

Ин ифодаҳо истифода мешаванд. \(\check L\) талафоти миёнаи вазифаро дар epoch-и қаблӣ ифода мекунад.

MTL-GL: Geometric Loss миёнаи геометрии талафоти вазифаҳоро ҳамчун функсияи умумии ҳадаф истифода мебарад:

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

Ин равиш ҳадаф дорад зарурати интихоби дастии вазнҳои вазифаҳоро коҳиш диҳад.

MTL-UW: Homoscedastic Uncertainty Weighting параметри омӯзишшавандаи \(\sigma_i\)-ро, ки садои мушоҳидаи ҳар вазифаро ифода мекунад, ба функсияи талафот илова мекунад:

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

Ба ин тартиб, модел метавонад вазнҳои нисбии вазифаҳоро ба ҷойи коэффисиентҳои собити пешакӣ дастӣ интихобшуда дар ҷараёни омӯзиш биомӯзад.

Мета-модели ensemble чӣ гуна сохта мешавад?

Вақте ки ҳамаи чор base model истифода мешаванд, ҳар модел се пешгӯии вазифа ва як холли аҳамияти ба валидация асосёфтаро ҳосил мекунад. Ҳамин тавр, чор модел × чор маълумот =мета-хусусияти 16-андозагӣ ба вуҷуд меояд. Агар се base model истифода шавад, 12 ва агар ду base model истифода шавад, 8 мета-хусусият ба даст меояд.

Мета-модели GBRT барои ҳар баромади ҳадаф алоҳида омӯзонида мешавад. Дар манбаъ барои GBRT истифода шудани500 марҳилаи boosting, чуқурии максималии 3, суръати омӯзиши 0,2 ва талафоти least-squares regression зикр шудааст.

Ин Таҳқиқот Воқеан Чанд Дақиқа Ба Пеш Пешгӯӣ Мекунад?

Мувофиқи таърифи равшани бахши усул, баромади асосии тасдиқшудаи модел \(t+1\), яъне бо қарори намунагирии 1-дақиқагӣ,1 дақиқа баъд пешгӯии ҳарорати ҳавои бозгашт, намии нисбӣ ва истеъмоли барқи RTU мебошад. Гарчанде ки дар баъзе бахшҳои мақола ва унвони Расми 12 ибораи “day-ahead” истифода шудааст, манбаъ протоколи алоҳидаи омӯзиш ё санҷишро барои уфуқи пешгӯии 24-соата муайян намекунад; аз ин рӯ, “day-ahead” набояд ҳамчун пешгӯии тасдиқшудаи 24 соат ба пеш тафсир шавад.

Манбаъ барои меъмории ибтидоӣ равзанаи lookback-и 15-қадамиро муайян мекунад. Азбаски ҳар қадам 1 дақиқа аст, ин дар меъмории асосӣ 15 дақиқа мушоҳидаи гузашта маъно дорад. Сипас таҳлили ҳассосият бо равзанаҳои lag-и 5, 10, 15 ва 20 дақиқа анҷом дода шудааст.

Усул ва Натиҷаҳои Таҳқиқот

Омӯзиш ва интихоби гиперпараметрҳо

Ҳамаи вазифаҳо ҳамчун масъалаи регрессия баррасӣ шуда, Mean Squared Error (MSE) ҳамчун талафоти омӯзиш истифода шудааст. Параметрҳои модел бо Adam optimizer нав карда шудаанд.

Ҷустуҷӯи гиперпараметрҳо бо Optuna 4.8.0 анҷом дода шудааст. Ҳар сохтори номзад барои арзёбии MSE-и валидация дар ибтидо 10 epoch омӯзонида шуда, дар маҷмӯъ 50 озмоиши муваффақ иҷро шудааст.

Барои кам кардани аз ҳад мутобиқшавии модел callback-и қатъкунандаи омӯзиш ҳангоми беҳбуд наёфтани талафоти валидация дар тӯли даҳ epoch-и пайдарпай, механизми нигоҳдорандаи беҳтарин ҳолати валидация ва scheduler-и танзимкунандаи суръати омӯзиш пас аз панҷ ҳолати пайдарпайи беҳбуд наёфтан истифода шудаанд.

Натиҷаҳои санҷиши моделҳои инфиродии MTL

Ин ҷадвал ба таври равшан нишон медиҳад, ки як модел дар ҳамаи ҳадафҳо ва ҳамаи метрикаҳо беҳтарин нест. MTL бо вазни миёна барои ҳарорати ҳавои бозгашт пасттарин MSE ва MAE ва баландтарин \(R^2\)-ро медиҳад. MTL-DW барои намии нисбии ҳавои бозгашт баландтарин \(R^2\)-ро дорад. Барои истеъмоли RTU, MTL-UW пасттарин MSE ва баландтарин \(R^2\)-ро медиҳад, дар ҳоле ки MTL-GL пасттарин MAE-ро медиҳад.

Натиҷаҳои Ҷадвали 3-и манбаъ барои сохторҳои ensemble

Дар ҷадвал қимати MAE-и ҳарорат барои E-MTL5 ва E-MTL6 дар манбаъ ҳамчун 0,4958 чоп шудааст. Дар якҷоягӣ бо MSE=0,0037 дар ҳамон сатр, ин қимат аз ҷиҳати математикӣ диққат талаб мекунад; аммо азбаски дар манбаъ 0,04958 ё қимати дигар навишта нашудааст, он аз ҷониби Verianla хомӯшона ислоҳ карда нашудааст.

Оё Модели Ensemble Воқеан Аз Моделҳои Инфиродии MTL Муваффақтар Аст?

Матни манбаъ иддао мекунад, ки равиши ensemble аз моделҳои инфиродии MTL ба таври низомманд бартарӣ дорад; аммо Ҷадвали 3 ва Ҷадвали 4-и нашршуда ин ҷамъбасти қавиро дар ҳамаи вазифаҳо ва метрикаҳо дастгирӣ намекунанд. Масалан, модели инфиродии MTL дар пешгӯии ҳарорат нисбат ба E-MTL1 MSE/MAE-и пасттар ва \(R^2\)-и баландтар медиҳад; MTL-UW барои истеъмоли RTU нисбат ба E-MTL1 MSE-и пасттар ва \(R^2\)-и баландтар ҳосил мекунад; MTL-GL бошад RTU MAE-и пасттар дорад. Аз ин рӯ, таҳқиқот татбиқпазирии меъмории ensemble ва равиши муттаҳидкунии чанд моделро нишон медиҳад, вале натиҷаи “дар ҳар метрика аз ҳамаи моделҳои инфиродӣ бартарӣ дорад” бо ҷадвалҳои манбаъ бечунучаро тасдиқ намешавад.

Яксон будани қиматҳои E-MTL1 дар Ҷадвали 3 бо сатри MTL-DW низ ҷудогона диққатҷалбкунанда аст. Матни манбаъ E-MTL1-ро ҳамчун “вазни миёна + geometric loss” тавсиф мекунад, дар ҳоле ки эзоҳи Ҷадвали 3 E-MTL1-ро ҳамчун “no weight update + DW” муайян мекунад. Аз ин рӯ, таркиби дақиқи base-model-и E-MTL1 дар дохили манбаъ пайдарҳам нест.

Метрикаҳои E-MTL1, ки манбаъ бартарӣ медиҳад

Ин қиматҳои гирдкардашуда рақамҳое мебошанд, ки дар бахши натиҷаҳои манбаъ барои E-MTL1 дода шудаанд. Аммо онҳо бояд ҳамроҳ бо ҷадвали моделҳои инфиродии боло хонда шаванд.

Чаро равзанаи lag муҳим аст?

Модели силсилаи вақт на танҳо дақиқаи ҷориро, балки самт ва суръати тағйиротро дар дақиқаҳои гузашта низ истифода мебарад. Равзанаи хеле кӯтоҳи гузашта метавонад динамикаи кофии гармиро фаро нагирад; равзанаи хеле дароз бошад метавонад маълумоти кӯҳнаро аз ҳад зиёд нигоҳ дошта, вокуниш ба тағйироти ногаҳониро дер кунад.

Таҳқиқот равзанаҳои lag-и 5, 10, 15 ва 20 дақиқаро аз рӯи Mean Absolute Percentage Error (MAPE) муқоиса кардааст. Мувофиқи шарҳи манбаъ, равзанаи 5-дақиқагӣ метавонад дар баъзе моделҳо ба аз ҳад омӯхтани садо ва тағйирёбии кӯтоҳмуддат оварда расонад, дар ҳоле ки равзанаи 20-дақиқагӣ метавонад ҳангоми гузаришҳои ногаҳонии гармӣ таъхири нолозим ба вуҷуд орад.

Дар бахши натиҷаҳои манбаъlag-и 10-дақиқагӣ ҳамчун беҳтарин созиши статикии байни responsiveness ва stability дар доираи 5–20 дақиқаи омӯхташуда гузориш шудааст.

Дар ин ҷо як нозукии методологӣ вуҷуд дорад: дар тавсифи меъморӣ тензори воридотӣ ҳамчун 15 қадам × 9 хусусият муайян шудааст, дар ҳоле ки дар бахши натиҷаҳо равзанаи 10-дақиқагӣ бартарӣ дода мешавад. Ин ҳолат бояд чунин хонда шавад, ки сохтори 15-дақиқагӣ тавсифи ибтидоӣ/асосии меъморӣ буда, кори 5–20 дақиқагӣ таҷрибаи алоҳидаи ҳассосият мебошад.

Натиҷаҳои силсилаи вақт чиро нишон медиҳанд?

Расми 12-и манбаъ силсилаҳои вақтии ҳарорати воқеӣ ва пешгӯишудаи ҳавои бозгашт, намии нисбии ҳавои бозгашт ва истеъмоли барқи RTU-ро якҷо нишон медиҳад. Каҷҳои ҳарорат ва намӣ умуман сигнали воқеиро аз наздик пайгирӣ мекунанд, дар ҳоле ки дар истеъмоли RTU тағйирёбиҳои тезтар ва шадидтар мавҷуданд.

Муаллифон қобилияти моделро барои пайгирии ин сохтори тағйирёбандаи истеъмоли RTU ҳамчун нишондиҳандаи он шарҳ медиҳанд, ки модель муносибатҳои байни тағйирёбандаҳои воридотиро омӯхтааст. Аммо ин график худ аз худ нишон намедиҳад, ки модел дар бинои дигар, мавсими дигар ё таҷҳизоти дигар бо ҳамон дақиқӣ кор мекунад.

Оё ду сенарияи татбиқ таҷрибаи воқеӣ мебошанд?

Не. Ду сенария дар бахши 5-уми мақолаillustrative narratives, яъне сенарияҳои намунавии шарҳдиҳанда мебошанд. Манбаъ инро равшан баён мекунад. Рақамҳое чун болоравии ҳарорат ба 2 °C, афзоиши намии нисбӣ ба %5 ё афзоиши қувва ба %10 дар сенарияҳо натиҷаҳои нави ченшуда дар як ҳолати мушаххаси санҷишӣ нестанд.

Сенарияи аввал шарҳ медиҳад, ки BMS метавонад бо истифода аз пешгӯиҳо шароити ҳавои таъминотӣ ё суръати вентиляторро пешакӣ танзим кунад. Сенарияи дуюм нишон медиҳад, ки омезиши истеъмоли ғайричашмдошти баланди энергия бо ҳарорати пасти ҳавои бозгашт/намии баланд метавонад ба санҷиши ҳолатҳое мисли stuck cooling valve ё мушкили сенсор роҳнамоӣ кунад.

Ин мисолҳо тавре сохта шудаанд, ки ба бузургии хатогиҳои тасдиқшудаи пешгӯии модел мувофиқ бошанд; аммо таҳқиқот таҷрибаи воқеии ташхиси автоматии носозӣ ё татбиқи идоракунии ҳалқаи пӯшидаи вақти воқеиро анҷом надодааст.

Натиҷаҳое, ки таҳқиқот дастгирӣ мекунад

• Дар асоси додаҳои воқеии кори ORNL RTU модели омӯзиши бисёрвазифаи бар GRU асосёфта таҳия шудааст, ки се тағйирёбандаи иҷроиши AHU-ро якҷо пешгӯӣ мекунад.
• Стратегияҳои MTL-и стандартӣ, geometric loss, dynamic weighting ва uncertainty weighting дар як меъмории асосӣ муқоиса шудаанд.
• Дар вазифаҳои гуногун стратегияҳои гуногуни вазнгузорӣ бартарӣ нишон додаанд; ягон модели инфиродӣ дар ҳамаи ҳадафҳо ва метрикаҳо бо фарқи равшан беҳтарин нест.
• Дар пешгӯиҳои ҳарорат ва намии нисбии ҳавои бозгашти RTU қиматҳои баланди \(R^2\) ба даст омадаанд.
• Гарчанде ки пешгӯии истеъмоли RTU нисбат ба тағйирёбандаҳои муҳитӣ душвортар аст, дар манбаъ \(R^2\) то тақрибан 0,88 гузориш шудааст.
• Мета-модели бар GBRT асосёфта нишон медиҳад, ки баромадҳои гуногуни MTL ва маълумоти аҳамияти ба валидация асосёфта метавонанд дар як чорчӯбаи ensemble муттаҳид карда шаванд.
• Ҳассосияти lag нишон медиҳад, ки равзанаи 10-дақиқагӣ дар доираи омӯхташуда тавозуни хуби responsiveness–stability-ро таъмин мекунад.

Ҷамъбастҳое, ки таҳқиқот дастгирӣ намекунад

• Таҳқиқот исбот намекунад, ки дар ҳамаи системаҳои AHU ё ҳамаи биноҳо ҳамон сатҳи дақиқӣ ба даст меояд.
• Модел танҳо дар додаҳои ORNL Flexible Research Platform тасдиқ шудааст; дар дигар биноҳои воқеӣ transfer test анҷом дода нашудааст.
• Бахши усули манбаъ пешгӯии 1 дақиқа баъдро тасдиқ мекунад; протоколи алоҳидаи таҷрибавии 24 соат пеши “day-ahead” пешниҳод нашудааст.
• Тағйироти ҳарорат, намӣ ва қувва дар ду сенарияи татбиқ ҳолатҳои нави ченшудаи санҷишӣ нестанд.
• Модел системаи fault-diagnosis нест, ки мустақиман бо тамғаҳои носозии физикӣ омӯзонида шуда бошад.
• Нишон дода нашудааст, ки фарқи байни пешгӯӣ ва ченаки воқеӣ носозии муайяни клапан, сенсор ё компонентро қатъиян муайян мекунад.
• Сарфаи энергия ё коҳиши карбон аз ҷониби модел дар саҳрои воқеӣ бо таҷрибаи идоракунии ҳалқаи пӯшида чен карда нашудааст.
• Ҷадвалҳои нашршуда нишон намедиҳанд, ки моделҳои ensemble дар ҳар вазифа ва ҳар метрикаи иҷроиш аз ҳамаи моделҳои инфиродии MTL бартарӣ доранд.

Маҳдудиятҳои асосӣ ва корҳои оянда

Як манбаи физикии додаҳо: Валидация бо ORNL Flexible Research Platform маҳдуд аст. Маҷмӯаи held-out test қисми қаблан надидаи ҳамон системаи физикӣ мебошад; он валидацияи беруна дар биноҳо ё минтақаҳои ҷуғрофии дигар нест.

Lag-и статикӣ: Lag-и 10-дақиқагӣ дар маҷмӯаи додаҳои ҷорӣ ҳамчун созиши мувофиқ муайян шудааст. Манбаъ пешниҳод мекунад, ки дар оянда lookback window-и динамикӣ ё мутобиқшаванда вобаста ба суръати тағйири шароити обу ҳаво таҳия карда шавад.

Системаҳои upstream: Камшавии самаранокӣ дар тарафи chiller ё boiler метавонад ба иқтидори коили AHU таъсир расонад. Модели ҷорӣ ин таъсирҳоро на тавассути воридоти мустақими тарафи об, балки ба таври ғайримустақим тавассути хусусиятҳои ҳавои таъминотӣ фаро мегирад. Дар оянда пешниҳод мешавад параметрҳое мисли ҳарорат ва сарфи chilled/hot water мустақиман ба модел илова карда шаванд.

Бори ҳисоббарорӣ: Сохтори ensemble forward pass-и якчанд base model-ро талаб мекунад ва нисбат ба як модел вақти бештари омӯзиш, талаботи бештари хотира ва хароҷоти inference ба вуҷуд меорад. Манбаъ қайд мекунад, ки ин метавонад дар давраҳои идоракунии HVAC бо миқёси як дақиқа ё бештар идорашаванда бошад, аммо дар барномаҳои sub-second метавонад маҳдудияти таъхир эҷод кунад.

Номувофиқиҳои ҷадвали иҷроиш: Баёни манбаъ дар бораи бартарии ensemble бо ҷадвалҳои нашршуда пурра мувофиқат намекунад. Ин ҳолат барои аз нав татбиқ кардани мустақили модел ва аз нав тасдиқ кардани натиҷаҳо муҳим аст.

Ёддошт оид ба Манбаъ ва Усул

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

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

Corresponding authors: Adedayo Johnson Ogungbile ва Favour David Agbajor.

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

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

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

Маҷалла: Sustainability.

Ношир: MDPI, Basel, Switzerland.

Ҷилд / шумора / рақами мақола: Volume 18, Issue 15, Article 7980.

DOI: 10.3390/su18157980.

Санаи ирсол: 11 июни 2026.

Санаи бозбинӣ: 29 июли 2026.

Санаи қабул: 3 августи 2026.

Санаи нашри PDF: 6 августи 2026.

Ёддошти санаи библиографӣ: Дар рӯйхати ҷории шумораи махсуси MDPI санаи мақола 5 августи 2026 нишон дода мешавад, дар ҳоле ки PDF-и расмӣ 6 августи 2026-ро медиҳад. Дар ин матни Verianla санаи PDF нигоҳ дошта шудааст.

Навъи манбаъ: Мақолаи таҳқиқотии тақризшуда; таҳқиқоти омӯзиши мошинӣ/валидацияи модел, ки ба додаҳои воқеии кори HVAC асос ёфтааст.

Литсензия: Creative Commons Attribution (CC BY).

Шиносаи расмии нашр: DOI 10.3390/su18157980.

Манбаи додаҳо: Маҷмӯаи додаҳои кори RTU/HVAC-и Oak Ridge National Laboratory Flexible Research Platform.

Қарори додаҳо: 1 дақиқа.

Давраи таҳлили муфассал: Кори асосии хунуккунӣ дар 8–14 июли 2021.

Омӯзиш/валидация/санҷиш: 8:1:1.

Модел: Multi-Task Learning-и бар GRU асосёфтаи дуқабата бо 64 воҳиди пинҳонӣ дар ҳар қабат; чор стратегияи вазнгузории вазифаҳо ва GBRT ensemble/meta-model.

Ҳадафи пешгӯӣ: Мувофиқи бахши усули манбаъ, қадами навбатии вақт, яъне 1 дақиқа баъд: ҳарорати ҳавои бозгашт, намии нисбии ҳавои бозгашт ва истеъмоли барқи RTU.

Маблағгузорӣ: Муаллифон гузориш додаанд, ки таҳқиқот маблағгузории беруна нагирифтааст.

Дастгирӣ/Acknowledgments: Гуфта шудааст, ки таҳқиқот аз ҷониби Centre for Advances in Reliability and Safety (CAiRS), AIR@InnoHK Research Cluster ва Hong Kong Metropolitan University дастгирӣ шудааст.

Кумитаи ахлоқ: Татбиқ намешавад.

Ризоияти огоҳона: Татбиқ намешавад.

Дастрасии додаҳо: Зикр шудааст, ки додаҳои дар таҳқиқот пешниҳодшударо аз corresponding author бо дархости асоснок гирифтан мумкин аст.

Бархӯрди манфиатҳо: Муаллифон хабар додаанд, ки бархӯрди манфиатҳо вуҷуд надорад.

Саҳми муаллифон: Консептуализатсия T.M.A. ва F.D.A.; методология T.M.A., A.J.O. ва F.D.A.; нармафзор T.M.A.; валидация T.M.A.; захираҳо A.J.O.; коркарди додаҳо T.M.A.; лоиҳаи аввал T.M.A., A.J.O. ва F.D.A.; бозбинӣ ва таҳрир F.D.A.; визуализатсия T.M.A. ва F.D.A.; идоракунии лоиҳа A.J.O.; ҷалби маблағгузорӣ A.J.O.

Номувофиқии дохилии манбаъ 1 — GRU/LSTM: Матни усул, Расми 7 ва бахши натиҷаҳо кодгузори муштаракро ҳамчун GRU муайян мекунанд. Аммо дар Расми 8-и манбаъ қуттии марказӣ “LSTM model shared layers” номгузорӣ шудааст. Ин мақолаи Verianla меъмории GRU-ро дар матни усул асос гирифта, фарқи нишони расмро пинҳон накардааст.

Номувофиқии дохилии манбаъ 2 — уфуқи пешгӯӣ: Бахши усул баромадҳоро ба таври равшан \(t+1\), яъне 1 дақиқа баъд, муайян мекунад, дар ҳоле ки баъзе матнҳо ва Расми 12 истилоҳи “day-ahead”-ро истифода мебаранд. Манбаъ протоколи алоҳидаи пешгӯии 24 соат ба пешро муайян намекунад.

Номувофиқии дохилии манбаъ 3 — рақами ҷадвал: Моделҳои ensemble дар Ҷадвали 3-и манбаъ ва моделҳои инфиродӣ дар Ҷадвали 4 дода шудаанд; бо вуҷуди ин, дар баъзе ҷумлаҳои тавсифӣ ва натиҷавӣ E-MTL1 бо “Table 4” алоқаманд карда мешавад.

Номувофиқии дохилии манбаъ 4 — таркиби E-MTL1: Эзоҳи Ҷадвали 3-и манбаъ E-MTL1-ро ҳамчун “no weight update + DW” медиҳад, дар ҳоле ки матни шарҳ E-MTL1-ро ҳамчун вазни миёна + geometric loss муайян мекунад.

Номувофиқии дохилии манбаъ 5 — бартарии ensemble: Матн ва бахши натиҷаҳо мегӯянд, ки моделҳои ensemble дар ҳамаи вазифаҳо пайваста аз вариантҳои инфиродии MTL бартарӣ доранд; қиматҳои Ҷадвали 3 ва Ҷадвали 4-и нашршуда ин иддаои қавиро дар ҳамаи метрикаҳо дастгирӣ намекунанд.

Номувофиқии дохилии манбаъ 6 — E-MTL5/E-MTL6: Дар Ҷадвали 3 қимати MAE-и ҳарорати ҳавои бозгашти ин ду модел 0,4958 чоп шудааст. Аз номи манбаъ ҷойи даҳӣ тағйир дода нашудааст.

Ёддошти воҳидҳои дохилии манбаъ: RTU airflow rate дар Ҷадвали 1-и манбаъ ҳамчун m³/h ва дар хусусиятҳои интихобшудаи Ҷадвали 2 ҳамчун m³/s дода шудааст. Тағйирёбандаи барқи RTU низ дар бахшҳои гуногун “power”, “power consumption” ва истеъмоли барқ бо воҳиди Wh номида мешавад.

Маҳдудияти татбиқ: Модел дар дигар биноҳои воқеӣ ё системаҳои мустақили HVAC ба валидацияи беруна гузаронида нашудааст. Манбаъ инро ҳамчун самти кори оянда нишон медиҳад.