分享到微博 分享到人人 分享到LinkedIn 分享到Email
Azure机器学习让卡内基梅隆大学变得更节能

原文作者:微软信息管理与机器学习部(IMML)商业战略主管Vinod Anantharaman

译者:李志

建筑物往往都是由多个系统共同维持运转的,如供暖、制冷、照明、通风、安保等,这些系统也都影响着居住者的舒适体验和能源消耗。传统上来说,每个系统都有着它们自己的传感器、制动器和其他的元件,它们之间相互配合为所服务的系统、收集分析其所需的数据。因为这种独立的建筑管理方式,使得我们从未对建筑的运转效率有一个全面宏观的认识,进而能源使用和浪费情况的预测则充满挑战性。

坐落于宾夕法尼亚州匹兹堡市的卡内基梅隆大学(CMU, Carnegie Mellon University)是一所有着12000名学生以及5000名教职工的世界领先的研究型大学,自1900年建校以来它就一直是创新的源泉。这里的建筑效能与诊断中心一直致力于开发各种软件和硬件上的解决方案,来使校园建筑达到更高效的能源使用和更好的舒适程度。

卡内基梅隆大学建筑效能与诊断中心
(图片版权为卡内基梅隆大学所有)

该中心发现了一个创建集成、自动化系统的机会,这一系统可以用于增加建筑的能源效率,同时能通过实时预测能源消耗的模式,发现错误并及时响应来达到节能的目的。系统还可以根据对供暖和降温的预期,调节恒温器。对于年久失修的元件,系统也会向建筑管理员发出提醒,防止它们同时故障影响系统的使用。

要构建这样一个预测型分析系统,有两个首要的要求:

1、它是容易实施的;

2、非技术类的工作人员也很容易上手使用。

解决方案

通过与OSIsoft的合作,此中心建立了一个利用预测性分析技术控制历史和现有的所有传感器数据的集成化系统。Azure机器学习是这个解决方案中的主要组成部分之一,由本地部署的PI服务器开始,从校园各处收集传感器数据;然后经由基于微软Azure的PI云服务到达在Azure上运行的一台PI服务器。OSIsoft研究工具在这台服务器上对数据进行过滤、统计、制图,然后再实时地将数据传输到一个Azure储存库。在储存库中,数据可以被Azure机器学习访问,以便进行预测性分析。这些预测性的深层数据通过Power BI变为可存取的数据后,存储在PI服务器中,为大楼管理系统所调用。

这个解决方案的建立和使用十分快捷、简便和经济。“我们即刻就可以开始使用Azure机器学习平台进行系统搭建,不需要再去准备就地部署的软件;所有的东西都在云端随时待命。”研究中心的研究员Bertrand Lasternas说,“显然,它比我们试过的其他工具更加易用,而且可以与我们现有的PI系统和微软云方案无缝对接”。

以下是卡内基梅隆大学解决方案的一些应用示例场景:

  • 某大楼的温度需要在一天工作开始的时候——即上午9点,达到72华氏度。供暖系统往往在早上6点开始启动,在天气热一些的时候会推迟到6点30分。但这样很可能就造成能源浪费,卡内基梅隆大学想要使用预测性分析来得出开始为大楼供暖的最佳时间。研究者们打算通过一个包括近期大楼内外温度、预期的阳光辐射等级以及其他一些因素的模型,来预测早上9点大楼内的温度。由于阳光辐射的数据并不能精确获得,所以研究者们首先要预测准这个变量。他们利用Azure机器学习平台上的改进的决策树算法训练了一个阳光辐射预测模型,在完成这个模型的精确性测试后,将其应用在了楼内温度模型里,解决了何时启动供暖系统的问题,最终实现了预测中的节能。
  • 与此同时,卡内基梅隆大学还解决了因为被埋设在墙后或地板下而不能被视觉检查的元件的故障检测和诊断问题。通过分析Azure机器学习上PI系统收集的历史数据,他们实现了这些故障监测,节约了潜在成本。

在Azure机器学习平台上实现解决方案,也促进了不同团队的研究员和学生之间的沟通合作、更多分享自己的成果。

方案效益

基于实验结果,卡内基梅隆大学的研究者们预计,他们的解决方案可以降低20%的能源消耗。他们正在商议,将这种解决思路推广到整个校园,这样每年可以节约数十万美元的开支。“这些节约主要来自降低能源消耗,以及将一些能源的用途转为低能耗模式两个方面。”Lasternas说。

卡内基梅隆大学的研究者们预见,PI系统以及微软Azure平台不仅仅能为研究者服务,也会为那些与建筑系统朝夕相处的工程师和技术人员服务。比如,负责实地服务的技术人员能够在远程的设备坏掉之前,就在他们的平板电脑上访问到预测性分析的深层数据,及时检查和升级这些设备。智能手机上的通知可以在能量需求的高峰时段对工程师发出提醒。由于这个解决方案所具有的拓展性和经济性,因此它可以被用于不能通过传统方案解决的复合式建筑群和公共设施系统。

各行各业的用户们都在利用微软Azure机器学习平台部署他们的企业级预测性分析解决方案,你也可以即刻开始

在卡内基梅隆大学,他们还在为新建立的解决方案寻找更广阔的用途。“我们看到Azure机器学习和PI系统正引领着一个为大众服务的自助型预测性分析的时代,”Lasternas说,“而我们只是在设想它的种种可能性。”