Как Big Data и Building Analytics революционизируют эффективность HVAC — Часть 1

В 2014 году бизнес мира сгенерировал потрясающие 8,4 зеттабайта — около 8,4 трлн гигабайт — цифрового контента, скачок с 2,7 зеттабайт в 2012. Этот взрыв данных и есть то, что драйвит термин big data: практика превращения массивных, вариативных информационных потоков в действенные инсайты, формирующие более умные решения и улучшенные исходы.

Применение big-data техник к дизайну и ретрфитам зданий — то, что мы называем building analytics — перестраивает то, как архитекторы, инженеры и фасилити-менеджеры создают и оперируют коммерческими и жилыми пространствами. Рынок building analytics спроецирован достичь $100 млрд (€87,5 млрд) в ближайшие четыре года, подчеркивая коммерческий импульс за этой дисциплиной.

HVAC-системы — сердце большинства building analytics инициатив. Кевин Бёрнс, президент Bob Jenson Air Conditioning, отмечает: HVAC не только драйвит комфорт здания, но и представляет огромную возможность для энергосбережения и операционного превосходства.

Неэффективность стоит больших денег

В жилых недвижимостях отопление и охлаждение типично составляют 25–30% общего энергопотребления; в коммерческих зданиях доля поднимается до 40–60%. Например, единственный чиллер-плант может потреблять примерно треть всей HVAC-энергии — около пятой части общего потребления здания.

Идентификация отходов через одни только метрики счетчиков сложна, потому что неэффективности часто инкрементальны и поглощены морем цифр. Однако таргетированное ТО в комбо с данные-драйвенной аналитикой может резать эти высокие цифры почти пополам.

Когда big data используется, тысячи гигабайт HVAC-телеметрии могут быть заархивированы, раскрывая исторические тренды, причинно-следственные отношения, бенчмарк-производительность и метрики стоимо-эффективности, ранее невидимые.

Эффективная building analytics может резать годовые операционные энергозатраты до 20% как только здание достигает оптимальной эффективности, а расходы на даунтайм могут падать 35–45%. Фактически, средний ROI для аналитических решений — более $13 (€11,3) на каждый вложенный доллар.

Видимость на вершине

Многие здания спроектированы с HVAC-компонентами — катушки, вентиляторы, клапаны — как единый блок, игнорируя сцепленную динамику, способную создавать скрытые неэффективности. Огромное число сет-поинтов, уровней и фидбэк-лупов в вентиляционных системах требует топ-даун вида для раскрытия возможностей улучшения.

Последние достижения в алгоритмическом обучении

Машинное обучение алгоритмы позволяют building analytics предсказывать и адаптироваться к меняющейся погоде, детектировать паттерны оккупанси и распределять пиковые нагрузки интеллектуально. Новейшее поколение глубоких нейронных сетей (DNN) ингестирует сырые сенсорные данные через множественные слои абстракции, предлагая решения, способные резать энергопотребление до 30% в ранних имплементациях.

Автор: Кевин Бёрнс, президент Bob Jenson Air Conditioning

Об авторе

Кевин Бёрнс возглавляет Bob Jenson Air Conditioning в Сан-Диего 29 лет, обретая комплексную экспертизу по всем фасетам HVAC. Он менторит десятки профессионалов и чемпионирует решения, приоритизирующие потребности каждого дома и клиента.