Ensemble Multi-Task Learning (E-MTL), bir hava emalı qurğusunun bir-biri ilə əlaqəli çoxsaylı istismar dəyişənlərini eyni vaxtda proqnozlaşdıran müxtəlif çoxvəzifəli öyrənmə modellərinin çıxışlarını Gradient Boosting Regression Tree (GBRT) əsaslı meta-modeldə birləşdirən verilənlərə əsaslanan proqnozlaşdırma çərçivəsidir. Bu tədqiqatda sistem RTU-nun qayıdan hava temperaturunu, qayıdan havanın nisbi rütubətini və RTU elektrik sərfiyyatını birlikdə proqnozlaşdırmaq məqsədilə Oak Ridge National Laboratory Flexible Research Platform-dan əldə edilən real HVAC istismar verilənləri üzərində hazırlanmışdır.

Əsas model ortaq Gated Recurrent Unit (GRU) zaman sırası kodlayıcısından istifadə edir. Doqquz giriş dəyişəninin keçmiş zaman pəncərəsi 64 gizli vahidli iki GRU qatından keçirilir və ortaq təmsil üç ayrı reqressiya vəzifəsinə bölünür. Tədqiqatda orta itkidən istifadə edən standart Multi-Task Learning (MTL), geometric loss istifadə edən MTL-GL, dynamic weighting istifadə edən MTL-DW və uncertainty weighting istifadə edən MTL-UW olmaqla dörd müxtəlif vəzifə çəkiləndirmə strategiyası qiymətləndirilmişdir.

Mənbənin metod bölməsinə görə hər üç hədəfnövbəti zaman addımı, yəni 1 dəqiqə sonrası üçün proqnozlaşdırılır. İstifadə olunan girişlər xarici hava temperaturu və nisbi rütubəti, orta daxili mühit temperaturu və nisbi rütubəti, RTU-nun vurulan hava temperaturu və nisbi rütubəti, RTU hava sərfi, həmçinin cari qayıdan hava temperaturu və nisbi rütubətidir. RTU elektrik sərfiyyatı çıxış hədəfidir və doqquz girişli siyahıya daxil deyil.

Fərdi modellər arasında standart MTL qayıdan hava temperaturu üçün MSE=0,0022, MAE=0,0391 °C və \(R^2=0,9873\) ilə güclü nəticə göstərmişdir. Qayıdan havanın nisbi rütubətində ən yüksək \(R^2\) dəyəri 0,9632 ilə MTL-DW-də müşahidə edilmiş, RTU sərfiyyatında isə ən aşağı MSE və ən yüksək \(R^2\) müvafiq olaraq 6702 və 0,8861 ilə MTL-UW-də; ən aşağı MAE isə 40,7777 ilə MTL-GL-də bildirilmişdir.

Müəlliflər ensemble yanaşmasını modellərin müxtəlif vəzifələrdəki güclü tərəflərini birləşdirmək məqsədilə inkişaf etdirmiş və E-MTL1-i üstün tutulan ensemble quruluşu kimi müzakirə etmişlər. E-MTL1 üçün qayıdan hava temperaturu, nisbi rütubət və RTU sərfiyyatının \(R^2\) dəyərləri müvafiq olaraq 0,9843, 0,9632 və 0,8761-dir. Bununla belə, dərc edilmiş Cədvəl 3 və Cədvəl 4 müqayisə edildikdə ensemble modellərin bütün metriklərdə bütün fərdi MTL modellərini davamlı olaraq üstələdiyi barədə mənbədəki güclü ifadə rəqəmsal cədvəllər tərəfindən tam dəstəklənmir. Buna görə nəticələr ensemble yanaşmasının potensialını göstərən, lakin mənbədaxili performans cədvəli uyğunsuzluqları nəzərə alınaraq şərh edilməli olan modelləşdirmə tədqiqatı kimi qiymətləndirilməlidir.

AHU nə üçün proqnoza əsaslanan şəkildə qiymətləndirilmək istənir?

Heating, Ventilation and Air-Conditioning (HVAC) sistemləri binalarda temperaturu, rütubəti, hava keyfiyyətini və hava dövranını idarə edir. Air Handling Unit (AHU) bu sistemin binaya veriləcək havanı hazırlayan əsas komponentlərindən biridir. AHU xarici hava ilə qayıdan havanı qarışdıra, havanı filtrləyə, qızdıra və ya soyuda, rütubətini dəyişdirə və ventilyatorlarla şərtləndirilmiş sahələrə ötürə bilər.

Tədqiqat xüsusilə qayıdan havanın xüsusiyyətlərinin sistem performansı haqqında məlumat daşıdığı fərziyyəsindən çıxış edir. Qayıdan hava temperaturunun və ya nisbi rütubətin gözlənilən iş diapazonundan kənara çıxması həddindən artıq soyutma, yetərsiz soyutma, yetərsiz nəmalma və ya avadanlığın davranışındakı başqa dəyişikliklə əlaqəli ola bilər. RTU-nun elektrik sərfiyyatı da eyni vaxtda enerji performansının qiymətləndirilməsinə kömək edə bilər.

Tədqiqat boşluğu ondan ibarətdir ki, HVAC ədəbiyyatının mühüm hissəsi nasazlıqların diaqnostikası və ya optimal idarəetməyə yönəldiyi halda, AHU-nun gələcək istismar çıxışlarının birlikdə proqnozlaşdırılaraq birbaşa performans göstəricisi kimi istifadəsinə daha az diqqət yetirilmişdir.

Ensemble Multi-Task Learning Modeli Nədir?

Bu tədqiqatdakı Ensemble Multi-Task Learning modeli eyni üç AHU çıxışını proqnozlaşdıran dörd müxtəlif GRU əsaslı çoxvəzifəli öyrənmə modelinin proqnozlarını və doğrulama verilənlərindən əldə edilən model əhəmiyyəti məlumatını GBRT əsaslı meta-modeldə birləşdirən proqnozlaşdırma arxitekturasıdır. Məqsəd tək bir vəzifə çəkiləndirmə metodunun hər dəyişəndə eyni dərəcədə uğurlu olmaya biləcəyi hallarda müxtəlif modellərin məlumat və proqnozlarını ortaq üst modeldə istifadə etməkdir.

AHU daxilində əsas hava axını

Keys tədqiqatı və verilənlər mənbəyi

Eksperimental verilənlər Oak Ridge National Laboratory tərəfindən təqdim edilən real vaxtlı RTU istismar verilənləridir. Verilənlərin toplandığı Flexible Research Platform iki mərtəbəli tədqiqat binasıdır. Əsas HVAC avadanlığı 44 kW gücə malik, enerji səmərəliliyi göstəricisi 9,6 olaraq verilmiş rooftop unit-dir. Sistem direct-expansion (DX) soyutma serpantini və qızdırma serpantini ehtiva edir.

Binada on termal zona vardır və hər zona öz Variable Air Volume (VAV) qutusu ilə xidmət olunur. İlkin eksperimental infrastrukturda 500-dən çox sensor vardır və verilənlər Campbell Scientific CR3000 məlumat qeydiyyatçısı ilə 1 dəqiqəlik ayırdetmə qabiliyyətində toplanmışdır.

İlkin soyutma mövsümü eksperimenti üç istismar dövrünü əhatə edir: 8–14 iyul 2021 baza istismarı, 20–25 iyul 2021 free-floating istismarı və 28 iyul–4 avqust 2021 night-setback istismarı. Bu tədqiqatın ətraflı model analizində yalnız8–14 iyul 2021 baza soyutma dövrü istifadə edilmişdir.

Bu dövrdə xarici hava temperaturu təxminən gecə minimumu 20 °C ilə gündüz maksimumu 32 °C arasında dəyişmişdir.

Modeldə istifadə olunan doqquz giriş və üç çıxış

Mənbə Cədvəl 1-də RTU hava sərfi m³/h kimi verilsə də, model xüsusiyyəti Cədvəl 2-də m³/s kimi göstərilir. Eyni şəkildə mənbə RTU dəyişənini bəzi yerlərdə “power”, bəzi yerlərdə isə Wh vahidində “power consumption/electric energy consumption” adlandırır. Verianla mətni bu vahid və terminologiya fərqlərini səssiz şəkildə birləşdirmir.

Verilənlərin təmizlənməsi və verilənlər sızmasının qarşısının alınması

Tarix sahəsi formatlaşdırılmış və çatışmayan müşahidələr moving average üsulu ilə doldurulmuşdur. Zona üzrə VAV ölçmələri modelə ayrı-ayrılıqda verilməmiş; on termal zonanın daxili temperaturu və nisbi rütubəti binanı təmsil edən orta dəyərlərə çevrilmişdir.

Təmizlənmiş verilənlər əvvəlcə8:1:1 nisbətində təlim, doğrulama və test çoxluqlarına bölünmüşdür. Beləliklə, doğrulama və test məlumatlarının təlimin ilkin emalına sızması azaldılmağa çalışılmışdır.

Kənar dəyər analizi yalnız təlim verilənləri üzərində aparılmışdır. Hər xüsusiyyət üçün birinci kvartil \(Q_1\), üçüncü kvartil \(Q_3\) və:

\[ IQR=Q_3-Q_1 \]

hesablanmışdır. Aşağıdakı sərhədlərdən kənardakı müşahidələr kənar dəyər kimi işarələnmişdir:

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

Kənar dəyərlər xüsusilə RTU elektrik sərfiyyatında müşahidə edilmiş və müəlliflər onların böyük hissəsini real istismar vəziyyətindən daha çox qısamüddətli data-logger transientləri kimi şərh etmişlər. İşarələnmiş RTU sərfiyyat dəyərləri normallaşdırmadan əvvəl ən yaxın iki etibarlı zaman nöqtəsindən istifadə etməklə xətti interpolyasiya ilə əvəz edilmişdir.

Standartlaşdırma üçün yalnız təlim dəstindən əldə edilən orta və standart kənarlaşma dəyərlərindən istifadə edilmiş; eyni parametrlər doğrulama və test dəstlərinə tətbiq edilmişdir.

GRU niyə istifadə olunur?

Gated Recurrent Unit ardıcıl zaman sıralarında keçmiş məlumatı gizli vəziyyət vasitəsilə daşıyan və hansı keçmiş məlumatın qorunacağını və ya zəiflədiləcəyini yeniləmə və sıfırlama qapıları ilə tənzimləyən recurrent neural network quruluşudur. Mənbə LSTM-lə müqayisədə daha sadə ikiqapılı GRU quruluşunu daha aşağı təlim mürəkkəbliyi ilə zaman asılılıqlarını tuta bilən alternativ kimi istifadə edir.

Mənbənin GRU hesablamaları aşağıdakı ardıcıllıqla verilir:

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

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

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

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

\(x_t\) cari zaman addımındakı giriş vektorunu;\(S_{t-1}\) əvvəlki gizli vəziyyəti;\(r_t\) reset gate çıxışını;\(\rho_t\) update gate çıxışını;\(\check S_t\) namizəd gizli vəziyyəti;\(S_t\) isə yeni gizli vəziyyəti ifadə edir. \(W\) və \(U\) simvolları öyrənilən çəki matrisləridir.

Reset gate keçmiş vəziyyətin nə qədərinin yeni namizəd vəziyyətə ötürüləcəyini tənzimləyir. Update gate isə köhnə gizli vəziyyətlə yeni namizəd vəziyyətin hansı nisbətdə birləşdiriləcəyini müəyyən edir. Beləliklə, model hər dəqiqə yeni sensor dəyərlərini emal edərkən əvvəlki dəqiqələrdəki termal və istismar məlumatının hamısını eyni dərəcədə daşımaq məcburiyyətində qalmır.

Paylaşılan təmsil və vəzifə başlıqları

Əsas arxitekturada üst-üstə iki GRU qatı vardır və hər qat64 gizli vahid istifadə edir. Mənbədə əsas giriş pəncərəsi 15 zaman addımı × 9 xüsusiyyət, yəni(15, 9) tenzoru kimi müəyyən edilmişdir.

Son GRU qatının 64 ölçülü gizli vəziyyəti ortaq təmsil kimi istifadə olunur. Daha sonra üç ayrı fully connected vəzifə başlığı bu ortaq təmsili müvafiq olaraq qayıdan hava temperaturu, qayıdan havanın nisbi rütubəti və RTU sərfiyyatı üçün bir skalyar proqnoza çevirir.

Multi-Task Learning itki funksiyası

Standart MTL quruluşunda vəzifə itkiləri çəkili şəkildə toplanır:

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

Burada \(N_T\) vəzifələrin sayını; bu tədqiqat üçün \(N_T=3\)-dür. \(\phi_s\) ortaq qat parametrlərini, \(\phi_i\) vəzifə \(i\)-yə məxsus başlıq parametrlərini, \(L_i\) müvafiq vəzifənin itkisini və \(\omega_i\) vəzifə çəkisini ifadə edir.

Model parametrlərinin gradient descent yenilənməsi:

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

şəklində verilir. \(\eta\) öyrənmə sürətidir.

Bu formulun əsas problemi odur ki, vəzifələrdən birinin itki böyüklüyü və ya gradient təsiri digərlərindən xeyli böyük olarsa, ortaq qatların öyrənməsinə dominant təsir göstərə bilər. Tədqiqatda dörd müxtəlif çəkiləndirmə strategiyasının müqayisə edilməsinin səbəbi budur.

Dörd MTL çəkiləndirmə strategiyası

MTL: Mənbədə “no weight update” və ya orta/standart çəkiləndirmə kimi istifadə olunan əsas modeldir.

MTL-DW: Dynamic Weighting yanaşmasında vəzifə çəkiləri təlim irəlilədikcə əvvəlki epoch itkilərindəki dəyişməyə uyğun olaraq yenilənir. Mənbə iki vəzifəli göstərimdə:

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

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

ifadələrindən istifadə edir. \(\check L\) əvvəlki epoch-dakı orta vəzifə itkisini ifadə edir.

MTL-GL: Geometric Loss vəzifə itkilərinin həndəsi ortasını ortaq məqsəd funksiyası kimi istifadə edir:

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

Bu yanaşma vəzifə çəkilərinin əl ilə seçilməsi ehtiyacını azaltmağı hədəfləyir.

MTL-UW: Homoscedastic Uncertainty Weighting hər bir vəzifənin müşahidə səs-küyünü ifadə edən öyrənilə bilən \(\sigma_i\) parametrini itki funksiyasına əlavə edir:

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

Beləliklə, model vəzifələrin nisbi çəkilərini əvvəlcədən əl ilə seçilmiş sabit əmsallar əvəzinə təlim zamanı öyrənə bilər.

Ensemble meta-model necə qurulur?

Dörd base modelin hamısı istifadə edildikdə hər model üç vəzifə proqnozu və doğrulamaya əsaslanan bir əhəmiyyət balı yaradır. Beləliklə, dörd model × dörd məlumat =16 ölçülü meta-xüsusiyyət yaranır. Üç base model istifadə edilərsə 12, iki base model istifadə edilərsə 8 meta-xüsusiyyət əldə olunur.

GBRT meta-modeli hər hədəf çıxış üçün ayrıca təlim edilir. Mənbədə GBRT üçün500 boosting mərhələsi, maksimum dərinlik 3, öyrənmə sürəti 0,2 və least-squares regression itkisi istifadə edildiyi bildirilir.

Bu Tədqiqat Əslində Neçə Dəqiqə İrəli Proqnoz Verir?

Metod bölməsinin açıq tərifinə görə modelin doğrulanmış əsas çıxışı \(t+1\), yəni 1 dəqiqəlik seçmə ayırdetməsində1 dəqiqə sonrası qayıdan hava temperaturu, nisbi rütubət və RTU elektrik sərfiyyatı proqnozudur. Məqalənin bəzi bölmələrində və Şəkil 12-nin başlığında “day-ahead” ifadəsi istifadə olunsa da, mənbə 24 saatlıq ayrıca proqnoz üfüqü üçün təlim və ya test protokolu müəyyən etmir; buna görə “day-ahead” ifadəsi 24 saat irəli doğrulanmış proqnoz kimi şərh edilməməlidir.

Mənbə ilkin arxitektura üçün 15 addımlıq lookback pəncərəsi müəyyən edir. Hər addım 1 dəqiqə olduğundan bu, əsas arxitekturada 15 dəqiqəlik keçmiş müşahidə deməkdir. Daha sonra 5, 10, 15 və 20 dəqiqəlik lag pəncərələri üzrə həssaslıq analizi aparılmışdır.

Tədqiqatın Metodu və Nəticələri

Təlim və hiperparametr seçimi

Bütün vəzifələr reqressiya problemi kimi nəzərdən keçirilmiş və təlim itkisi kimi Mean Squared Error (MSE) istifadə edilmişdir. Model parametrləri Adam optimizer ilə yenilənmişdir.

Hiperparametr axtarışı Optuna 4.8.0 ilə həyata keçirilmişdir. Hər namizəd quruluş doğrulama MSE-sini qiymətləndirmək üçün ilkin olaraq 10 epoch təlim edilmiş və cəmi 50 uğurlu sınaq aparılmışdır.

Modelin həddən artıq uyğunlaşmasını azaltmaq üçün doğrulama itkisi on ardıcıl epoch ərzində yaxşılaşmadıqda təlimi dayandıran callback, ən yaxşı doğrulama vəziyyətini saxlayan mexanizm və beş ardıcıl yaxşılaşmama halından sonra öyrənmə sürətini tənzimləyən scheduler istifadə edilmişdir.

Fərdi MTL modellərinin test nəticələri

Bu cədvəl tək bir modelin bütün hədəflərdə və bütün metriklərdə ən yaxşı olmadığını aydın göstərir. Orta çəkili MTL qayıdan hava temperaturunda ən aşağı MSE və MAE ilə ən yüksək \(R^2\)-ni verir. MTL-DW qayıdan havanın nisbi rütubətində ən yüksək \(R^2\) dəyərinə malikdir. RTU sərfiyyatında MTL-UW ən aşağı MSE və ən yüksək \(R^2\)-ni verərkən, MTL-GL ən aşağı MAE-ni verir.

Ensemble quruluşların mənbə Cədvəl 3 nəticələri

Cədvəldə E-MTL5 və E-MTL6 üçün temperatur MAE dəyəri mənbədə 0,4958 kimi çap edilmişdir. Eyni sətirdəki MSE=0,0037 ilə birlikdə bu dəyər riyazi baxımdan diqqət tələb edir; lakin mənbədə 0,04958 və ya başqa bir dəyər yazılmadığı üçün Verianla tərəfindən səssizcə düzəldilməmişdir.

Ensemble Model Fərdi MTL Modellərindən Həqiqətən Daha Uğurludurmu?

Mənbə mətni ensemble yanaşmasının fərdi MTL modellərini sistemli şəkildə üstələdiyini iddia edir; lakin dərc edilmiş Cədvəl 3 və Cədvəl 4 bu güclü ümumiləşdirməni bütün vəzifə və metriklərdə dəstəkləmir. Məsələn, fərdi MTL modeli temperatur proqnozunda E-MTL1-dən daha aşağı MSE/MAE və daha yüksək \(R^2\) verir; MTL-UW RTU sərfiyyatında E-MTL1-dən daha aşağı MSE və daha yüksək \(R^2\) yaradır; MTL-GL isə daha aşağı RTU MAE-yə malikdir. Buna görə tədqiqat ensemble arxitekturasının tətbiq oluna bilməsini və çoxmodel birləşdirmə yanaşmasını göstərir, lakin “hər metrikdə bütün fərdi modellərdən üstündür” nəticəsi mənbə cədvəlləri ilə şərtsiz şəkildə təsdiqlənmir.

E-MTL1-in Cədvəl 3 dəyərlərinin MTL-DW sətri ilə eyni olması da ayrıca diqqət çəkir. Mənbə mətni E-MTL1-i “orta çəki + geometric loss” kimi təsvir etdiyi halda, Cədvəl 3-ün qeydi E-MTL1-i “no weight update + DW” kimi müəyyən edir. Buna görə E-MTL1-in dəqiq base-model tərkibi mənbə daxilində ardıcıl deyil.

Mənbənin üstün tutduğu E-MTL1 metrikləri

Bu yuvarlaqlaşdırılmış dəyərlər mənbənin nəticələr bölməsində E-MTL1 üçün verilmiş rəqəmlərdir. Lakin onlar yuxarıdakı fərdi model cədvəli ilə birlikdə oxunmalıdır.

Lag pəncərəsi niyə vacibdir?

Zaman sırası modeli yalnız cari dəqiqəni deyil, əvvəlki dəqiqələrdəki dəyişmənin istiqamətini və sürətini də istifadə edir. Çox qısa keçmiş pəncərəsi kifayət qədər termal dinamikanı tuta bilməyə bilər; çox uzun pəncərə isə köhnə məlumatı həddən artıq daşıyaraq qəfil dəyişikliklərə reaksiyanı gecikdirə bilər.

Tədqiqat 5, 10, 15 və 20 dəqiqəlik lag pəncərələrini Mean Absolute Percentage Error (MAPE) üzrə müqayisə etmişdir. Mənbənin şərhinə görə 5 dəqiqəlik pəncərə bəzi modellərdə qısamüddətli səs-küy və dalğalanmaların həddən artıq öyrənilməsinə, 20 dəqiqəlik pəncərə isə qəfil termal keçidlərdə lazımsız gecikməyə səbəb ola bilər.

Mənbənin nəticələr bölməsində10 dəqiqəlik lag, araşdırılan 5–20 dəqiqəlik interval daxilində responsiveness və stability arasında ən uyğun statik kompromis kimi bildirilir.

Burada metodoloji bir incəlik vardır: arxitektura təsvirində giriş tenzoru 15 addım × 9 xüsusiyyət kimi müəyyən edildiyi halda, nəticələr bölməsində 10 dəqiqəlik pəncərəyə üstünlük verilir. Bu vəziyyət 15 dəqiqəlik quruluşun ilkin/əsas arxitektura təsviri, 5–20 dəqiqəlik işin isə ayrıca həssaslıq eksperimenti kimi oxunmalıdır.

Zaman sırası nəticələri nə göstərir?

Mənbə Şəkil 12 faktiki və proqnozlaşdırılmış qayıdan hava temperaturu, qayıdan havanın nisbi rütubəti və RTU elektrik sərfiyyatı zaman sıralarını birlikdə göstərir. Temperatur və rütubət əyriləri ümumilikdə faktiki siqnalı yaxından izlədiyi halda, RTU sərfiyyatında daha sürətli və kəskin dalğalanmalar mövcuddur.

Müəlliflər modelin RTU sərfiyyatındakı bu dalğalı quruluşu izləyə bilməsini giriş dəyişənləri arasındakı əlaqələri öyrənə bildiyinin göstəricisi kimi şərh edirlər. Lakin bu qrafik təkbaşına modelin başqa binada, fərqli mövsümdə və ya fərqli avadanlıqda eyni dəqiqliklə işləyəcəyini göstərmir.

İki tətbiq ssenarisi real eksperimenti təmsil edirmi?

Xeyr. Məqalənin 5-ci bölməsindəki iki ssenariillustrative narratives, yəni izahlı nümunə ssenariləridir. Mənbə bunu açıq şəkildə bildirir. Ssenarilərdəki 2 °C temperatur artımı, %5 nisbi rütubət artımı və ya %10 güc artımı kimi rəqəmlər müəyyən test nümunəsində ölçülmüş yeni nəticələr deyil.

Birinci ssenari BMS-in proqnozlardan istifadə edərək vurulan hava şərtlərini və ya ventilyator sürətini əvvəlcədən tənzimləyə biləcəyini izah edir. İkinci ssenari gözlənilməz yüksək enerji sərfiyyatı ilə aşağı qayıdan hava temperaturu/yüksək rütubət kombinasiyasının stuck cooling valve və ya sensor problemi kimi halların araşdırılmasına yönəldə biləcəyini göstərir.

Bu nümunələr modelin doğrulanmış proqnoz xətalarının böyüklüyü ilə uyğun olacaq şəkildə qurulmuşdur; lakin tədqiqat real avtomatik nasazlıq diaqnostikası eksperimenti və ya real vaxtlı qapalı dövrə idarəetmə tətbiqi həyata keçirməmişdir.

Tədqiqatın dəstəklədiyi nəticələr

• Real ORNL RTU istismar verilənləri üzərində üç AHU performans dəyişənini birlikdə proqnozlaşdıran GRU əsaslı çoxvəzifəli öyrənmə modeli hazırlanmışdır.
• Standart MTL, geometric loss, dynamic weighting və uncertainty weighting strategiyaları eyni əsas arxitektura üzərində müqayisə edilmişdir.
• Müxtəlif vəzifələrdə müxtəlif çəkiləndirmə strategiyaları önə çıxmışdır; tək bir fərdi model bütün hədəf və metriklərdə açıq şəkildə ən yaxşı deyil.
• RTU qayıdan hava temperaturu və nisbi rütubət proqnozlarında yüksək \(R^2\) dəyərləri əldə edilmişdir.
• RTU sərfiyyatının proqnozlaşdırılması ətraf mühit dəyişənləri ilə müqayisədə daha çətin olsa da, mənbədə təxminən 0,88 səviyyəsinə qədər \(R^2\) bildirilmişdir.
• GBRT əsaslı meta-model müxtəlif MTL çıxışlarının və doğrulamaya əsaslanan əhəmiyyət məlumatının vahid ensemble çərçivəsində birləşdirilə bildiyini göstərir.
• Lag həssaslığı 10 dəqiqəlik pəncərənin araşdırılan intervalda yaxşı responsiveness–stability balansı təmin etdiyini göstərir.

Tədqiqatın dəstəkləmədiyi ümumiləşdirmələr

• Tədqiqat bütün AHU sistemlərində və ya bütün binalarda eyni dəqiqliyin əldə olunacağını sübut etmir.
• Model yalnız ORNL Flexible Research Platform verilənləri üzərində doğrulanmışdır; başqa fiziki binalara transfer testi aparılmamışdır.
• Mənbənin metod bölməsi 1 dəqiqə sonrası proqnozu doğrulayır; ayrıca 24 saat irəli “day-ahead” eksperimental protokolu verilməmişdir.
• İki tətbiq ssenarisindəki temperatur, rütubət və güc dəyişiklikləri ölçülmüş yeni test halları deyil.
• Model birbaşa fiziki nasazlıq etiketləri ilə təlim edilmiş fault-diagnosis sistemi deyil.
• Proqnoz ilə faktiki ölçmə arasındakı fərqin müəyyən bir klapan, sensor və ya komponent nasazlığını qəti şəkildə müəyyən etdiyi göstərilməmişdir.
• Modelin enerji qənaəti və ya karbon azaldılması real sahədə qapalı dövrə idarəetmə eksperimenti ilə ölçülməmişdir.
• Dərc edilmiş cədvəllər ensemble modellərin hər vəzifə və hər performans metrikində bütün fərdi MTL modellərindən üstün olduğunu göstərmir.

Əsas məhdudiyyətlər və gələcək iş

Tək fiziki verilənlər mənbəyi: Doğrulama ORNL Flexible Research Platform ilə məhdudlaşır. Held-out test dəsti eyni fiziki sistemin əvvəllər görülməmiş hissəsidir; fərqli binalar və ya coğrafiyalar üzərində xarici doğrulama deyil.

Statik lag: 10 dəqiqəlik lag mövcud verilənlər dəstində uyğun kompromis kimi müəyyən edilmişdir. Mənbə gələcəkdə hava şəraitinin dəyişmə sürətinə uyğun dinamik və ya adaptiv lookback window hazırlanmasını təklif edir.

Upstream sistemlər: Chiller və ya boiler tərəfində səmərəliliyin azalması AHU serpantininin tutumuna təsir göstərə bilər. Mövcud model bu təsirləri birbaşa su tərəfi girişləri ilə deyil, vurulan havanın xüsusiyyətləri vasitəsilə dolayı şəkildə tutur. Gələcəkdə chilled/hot water temperaturu və sərfi kimi parametrlərin birbaşa modelə əlavə edilməsi təklif olunur.

Hesablama yükü: Ensemble quruluş birdən çox base modelin forward pass-ini tələb edir və tək modellə müqayisədə daha çox təlim vaxtı, yaddaş tələbi və inference xərci yaradır. Mənbə bunun HVAC-ın dəqiqəlik və ya daha uzun miqyaslı idarəetmə dövrlərində idarəolunan ola biləcəyini, lakin sub-second tətbiqlərdə gecikmə məhdudiyyəti yarada biləcəyini bildirir.

Performans cədvəli uyğunsuzluqları: Ensemble üstünlüyü barədə mənbə anlatımı ilə dərc edilmiş cədvəllər tam uyğun deyil. Bu vəziyyət modelin müstəqil şəkildə yenidən tətbiqi və nəticələrin yenidən doğrulanması baxımından vacibdir.

Mənbə və Metod Qeydi

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

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

Corresponding authors: Adedayo Johnson Ogungbile və Favour David Agbajor.

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

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

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

Jurnal: Sustainability.

Nəşriyyat: MDPI, Basel, Switzerland.

Cild / buraxılış / məqalə nömrəsi: Volume 18, Issue 15, Article 7980.

DOI: 10.3390/su18157980.

Təqdim tarixi: 11 iyun 2026.

Reviziya tarixi: 29 iyul 2026.

Qəbul tarixi: 3 avqust 2026.

PDF nəşr tarixi: 6 avqust 2026.

Biblioqrafik tarix qeydi: MDPI-nin cari xüsusi buraxılış siyahısında məqalə tarixi 5 avqust 2026 kimi göründüyü halda rəsmi PDF 6 avqust 2026 tarixini verir. Bu Verianla mətnində PDF tarixi qorunmuşdur.

Mənbə növü: Resenziyalı tədqiqat məqaləsi; real HVAC istismar verilənlərinə əsaslanan verilənlərə əsaslı maşın öyrənməsi/model doğrulama tədqiqatı.

Lisenziya: Creative Commons Attribution (CC BY).

Rəsmi nəşr identifikatoru: DOI 10.3390/su18157980.

Verilənlər mənbəyi: Oak Ridge National Laboratory Flexible Research Platform RTU/HVAC istismar verilənlər dəsti.

Verilənlərin ayırdetmə qabiliyyəti: 1 dəqiqə.

Ətraflı analiz dövrü: 8–14 iyul 2021 baza soyutma istismarı.

Təlim/doğrulama/test: 8:1:1.

Model: İkiqatlı, hər qatda 64 gizli vahid istifadə edən GRU əsaslı Multi-Task Learning; dörd vəzifə çəkiləndirmə strategiyası və GBRT ensemble/meta-model.

Proqnoz hədəfi: Mənbənin metod bölməsinə görə növbəti zaman addımı, yəni 1 dəqiqə sonrası qayıdan hava temperaturu, qayıdan havanın nisbi rütubəti və RTU elektrik sərfiyyatı.

Maliyyələşdirmə: Müəlliflər tədqiqatın xarici maliyyələşdirmə almadığını bildirmişlər.

Dəstək/Acknowledgments: Tədqiqatın Centre for Advances in Reliability and Safety (CAiRS), AIR@InnoHK Research Cluster və Hong Kong Metropolitan University tərəfindən dəstəkləndiyi bildirilmişdir.

Etika komitəsi: Tətbiq edilmir.

Məlumatlandırılmış razılıq: Tətbiq edilmir.

Verilənlərin əlçatanlığı: Tədqiqatda təqdim edilən verilənlərin corresponding author-dan əsaslandırılmış sorğu əsasında əldə edilə biləcəyi bildirilmişdir.

Maraqlar toqquşması: Müəlliflər maraqlar toqquşmasının olmadığını bildirmişlər.

Müəllif töhfələri: Konseptuallaşdırma T.M.A. və F.D.A.; metodologiya T.M.A., A.J.O. və F.D.A.; proqram təminatı T.M.A.; doğrulama T.M.A.; resurslar A.J.O.; verilənlərin kurasiyası T.M.A.; ilkin layihə T.M.A., A.J.O. və F.D.A.; nəzərdən keçirmə və redaktə F.D.A.; vizuallaşdırma T.M.A. və F.D.A.; layihə idarəetməsi A.J.O.; maliyyələşdirmənin əldə edilməsi A.J.O.

Mənbədaxili uyğunsuzluq 1 — GRU/LSTM: Metod mətni, Şəkil 7 və nəticələr bölməsi ortaq kodlayıcını GRU kimi müəyyən edir. Buna qarşılıq mənbə Şəkil 8-də mərkəzi qutu “LSTM model shared layers” kimi etiketlənmişdir. Bu Verianla məqaləsi metod mətnindəki GRU arxitekturasını əsas götürmüş və şəkil etiketindəki fərqi gizlətməmişdir.

Mənbədaxili uyğunsuzluq 2 — proqnoz üfüqü: Metod bölməsi çıxışları açıq şəkildə \(t+1\), yəni 1 dəqiqə sonrası kimi müəyyən etdiyi halda bəzi mətnlər və Şəkil 12 “day-ahead” terminindən istifadə edir. Mənbə ayrıca 24 saat irəli proqnoz protokolu müəyyən etmir.

Mənbədaxili uyğunsuzluq 3 — cədvəl nömrəsi: Ensemble modellər mənbə Cədvəl 3-də, fərdi modellər Cədvəl 4-də verilmişdir; buna baxmayaraq bəzi izah və nəticə cümlələrində E-MTL1 “Table 4” ilə əlaqələndirilir.

Mənbədaxili uyğunsuzluq 4 — E-MTL1 tərkibi: Mənbə Cədvəl 3-ün qeydi E-MTL1-i “no weight update + DW” kimi verdiyi halda izah mətni E-MTL1-i orta çəki + geometric loss kimi müəyyən edir.

Mənbədaxili uyğunsuzluq 5 — ensemble üstünlüyü: Mətn və nəticələr bölməsi ensemble modellərin fərdi MTL variantlarını bütün vəzifələrdə davamlı olaraq üstələdiyini bildirir; dərc edilmiş Cədvəl 3 və Cədvəl 4 dəyərləri bu güclü ifadəni bütün metriklərdə dəstəkləmir.

Mənbədaxili uyğunsuzluq 6 — E-MTL5/E-MTL6: Cədvəl 3-də bu iki modelin qayıdan hava temperaturu MAE dəyəri 0,4958 kimi çap edilmişdir. Mənbə adından onluq mərtəbə dəyişdirilməmişdir.

Mənbədaxili vahid qeydi: RTU airflow rate mənbə Cədvəl 1-də m³/h, seçilmiş xüsusiyyətlər Cədvəl 2-də m³/s kimi verilmişdir. RTU elektrik dəyişəni də müxtəlif bölmələrdə “power”, “power consumption” və Wh vahidində elektrik sərfiyyatı kimi adlandırılmışdır.

Tətbiq məhdudiyyəti: Model başqa fiziki binalar və ya müstəqil HVAC sistemləri üzərində xarici doğrulamadan keçirilməmişdir. Mənbə bunu gələcək tədqiqat sahəsi kimi göstərir.