Ensemble Multi-Task Learning (E-MTL) — havoni qayta ishlash qurilmasining o‘zaro bog‘liq bir nechta ekspluatatsion o‘zgaruvchilarini bir vaqtning o‘zida bashorat qiladigan turli ko‘p vazifali o‘rganish modellari chiqishlarini Gradient Boosting Regression Tree (GBRT) asosidagi meta-modelda birlashtiruvchi ma’lumotlarga asoslangan bashoratlash doirasidir. Ushbu tadqiqotda tizim RTU qaytish havosi harorati, qaytish havosining nisbiy namligi va RTU elektr iste’molini birgalikda bashorat qilish maqsadida Oak Ridge National Laboratory Flexible Research Platform’dan olingan haqiqiy HVAC ekspluatatsion ma’lumotlari asosida ishlab chiqilgan.

Asosiy model umumiy Gated Recurrent Unit (GRU) vaqt qatori kodlovchisidan foydalanadi. To‘qqizta kirish o‘zgaruvchisining tarixiy vaqt oynasi 64 ta yashirin birlikka ega ikkita GRU qatlamidan o‘tkaziladi va umumiy ifoda uchta alohida regressiya vazifasiga ajratiladi. Tadqiqotda o‘rtacha yo‘qotishdan foydalanadigan standart Multi-Task Learning (MTL), geometric loss ishlatadigan MTL-GL, dynamic weighting ishlatadigan MTL-DW va uncertainty weighting ishlatadigan MTL-UW kabi to‘rtta turli vazifani vaznlash strategiyasi baholangan.

Manbaning usul bo‘limiga ko‘ra uchta maqsadning barchasinavbatdagi vaqt qadami, ya’ni 1 daqiqadan keyin uchun bashorat qilinadi. Foydalanilgan kirishlar tashqi havo harorati va nisbiy namligi, o‘rtacha ichki muhit harorati va nisbiy namligi, RTU ta’minot havosi harorati va nisbiy namligi, RTU havo sarfi hamda joriy qaytish havosi harorati va nisbiy namligidir. RTU elektr iste’moli chiqish maqsadi bo‘lib, to‘qqizta kirish ro‘yxatiga kiritilmagan.

Alohida modellar orasida standart MTL qaytish havosi harorati uchun MSE=0,0022, MAE=0,0391 °C va \(R^2=0,9873\) bilan kuchli natija ko‘rsatgan. Qaytish havosi nisbiy namligida eng yuqori \(R^2\) qiymati 0,9632 bilan MTL-DW’da kuzatilgan bo‘lsa, RTU iste’molida eng past MSE va eng yuqori \(R^2\) mos ravishda 6702 va 0,8861 bilan MTL-UW’da; eng past MAE esa 40,7777 bilan MTL-GL’da qayd etilgan.

Mualliflar ensemble yondashuvini modellarning turli vazifalardagi kuchli tomonlarini birlashtirish maqsadida ishlab chiqqan va E-MTL1’ni afzal ko‘rilgan ensemble tuzilmasi sifatida muhokama qilgan. E-MTL1 uchun qaytish havosi harorati, nisbiy namlik va RTU iste’moli \(R^2\) qiymatlari mos ravishda 0,9843, 0,9632 va 0,8761. Biroq e’lon qilingan 3-jadval va 4-jadval taqqoslanganda, ensemble modellar barcha metrikalarda barcha individual MTL modellaridan doimiy ravishda ustun ekani haqidagi manbadagi kuchli bayon raqamli jadvallar bilan to‘liq qo‘llab-quvvatlanmaydi. Shu sababli natijalar ensemble yondashuvining salohiyatini ko‘rsatuvchi, biroq manba ichidagi ishlash jadvali nomuvofiqliklari hisobga olingan holda talqin qilinishi kerak bo‘lgan modellashtirish tadqiqoti sifatida baholanishi lozim.

Nega AHU’ni bashoratga asoslangan tarzda baholash kerak?

Heating, Ventilation and Air-Conditioning (HVAC) tizimlari binolardagi harorat, namlik, havo sifati va havo aylanishini boshqaradi. Air Handling Unit (AHU) ushbu tizimning bino ichiga yuboriladigan havoni tayyorlaydigan asosiy qismlaridan biridir. AHU tashqi havo bilan qaytish havosini aralashtirishi, havoni filtrlashi, isitishi yoki sovitishi, namligini o‘zgartirishi va ventilyatorlar orqali konditsiyalangan hududlarga uzatishi mumkin.

Tadqiqot, xususan, qaytish havosi xususiyatlari tizim ishlashi haqida axborot beradi degan farazdan kelib chiqadi. Qaytish havosi harorati yoki nisbiy namligining kutilgan ish diapazonidan chetga chiqishi ortiqcha sovitish, yetarli bo‘lmagan sovitish, yetarli bo‘lmagan namlikni chiqarish yoki uskuna xatti-harakatidagi boshqa o‘zgarish bilan bog‘liq bo‘lishi mumkin. RTU elektr iste’moli ham ayni paytda energiya samaradorligini baholashga yordam berishi mumkin.

Tadqiqotdagi ilmiy bo‘shliq shundan iboratki, HVAC adabiyotining muhim qismi nosozliklarni tashxislash yoki optimal boshqaruvga qaratilgan bo‘lsa-da, AHU’ning kelajakdagi ekspluatatsion chiqishlarini birgalikda bashorat qilib, ularni bevosita ishlash ko‘rsatkichi sifatida qo‘llash masalasiga kamroq e’tibor qaratilgan.

Ensemble Multi-Task Learning Modeli Nima?

Ushbu tadqiqotdagi Ensemble Multi-Task Learning modeli bir xil uchta AHU chiqishini bashorat qiluvchi to‘rtta turli GRU asosidagi ko‘p vazifali o‘rganish modelining bashoratlari va validatsiya ma’lumotlaridan olingan model ahamiyati ma’lumotlarini GBRT asosidagi meta-modelda birlashtiradigan bashoratlash arxitekturasidir. Maqsad — bitta vazifani vaznlash usuli har bir o‘zgaruvchida bir xil darajada muvaffaqiyatli bo‘lmasligi mumkin bo‘lgan holatlarda turli modellarning axboroti va bashoratlarini umumiy yuqori darajali modelda qo‘llashdir.

AHU ichidagi asosiy havo oqimi

Keys tadqiqoti va ma’lumotlar manbai

Eksperimental ma’lumotlar Oak Ridge National Laboratory tomonidan taqdim etilgan real vaqt RTU ekspluatatsion ma’lumotlaridir. Ma’lumotlar to‘plangan Flexible Research Platform ikki qavatli tadqiqot binosidir. Asosiy HVAC uskunasi 44 kW quvvatga ega, energiya samaradorligi ko‘rsatkichi 9,6 deb berilgan rooftop unit hisoblanadi. Tizim direct-expansion (DX) sovitish serpantini va isitish serpantinini o‘z ichiga oladi.

Binoda o‘nta termal zona mavjud va har bir zona o‘zining Variable Air Volume (VAV) qutisi orqali xizmat oladi. Dastlabki tajriba infratuzilmasida 500 dan ortiq sensor mavjud bo‘lib, ma’lumotlar Campbell Scientific CR3000 ma’lumot yozgichi bilan 1 daqiqalik aniqlikda to‘plangan.

Dastlabki sovitish mavsumi tajribasi uchta ishlash davrini o‘z ichiga oladi: 8–14 iyul 2021 bazaviy ishlash, 20–25 iyul 2021 free-floating ishlash va 28 iyul–4 avgust 2021 night-setback ishlash. Ushbu tadqiqotning batafsil model tahlilida faqat8–14 iyul 2021 bazaviy sovitish davri ishlatilgan.

Bu davrda tashqi havo harorati taxminan tungi minimum 20 °C bilan kunduzgi maksimum 32 °C orasida o‘zgargan.

Modelda foydalanilgan to‘qqizta kirish va uchta chiqish

Manba 1-jadvalda RTU havo sarfi m³/h ko‘rinishida berilganiga qaramay, model xususiyati 2-jadvalda m³/s ko‘rinishida ko‘rsatilgan. Xuddi shuningdek, manba RTU o‘zgaruvchisini ayrim joylarda “power”, ayrim joylarda esa Wh birligidagi “power consumption/electric energy consumption” deb ataydi. Verianla matni ushbu birlik va terminologiya farqlarini indamay birlashtirmaydi.

Ma’lumotlarni tozalash va ma’lumotlar sizib chiqishining oldini olish

Sana maydoni formatlangan va yetishmayotgan kuzatuvlar moving average usuli bilan to‘ldirilgan. Zonalar bo‘yicha VAV o‘lchovlari modelga alohida-alohida berilmagan; o‘nta termal zonaning ichki harorati va nisbiy namligi binoni ifodalovchi o‘rtacha qiymatlarga aylantirilgan.

Tozalangan ma’lumotlar avval8:1:1 nisbatida o‘qitish, validatsiya va test to‘plamlariga ajratilgan. Shu tariqa validatsiya va test ma’lumotlarining o‘qitish oldingi ishloviga sizib kirishi kamaytirilishga harakat qilingan.

Chiqindi qiymatlar tahlili faqat o‘qitish ma’lumotlari ustida bajarilgan. Har bir xususiyat uchun birinchi kvartil \(Q_1\), uchinchi kvartil \(Q_3\) va:

\[ IQR=Q_3-Q_1 \]

hisoblangan. Quyidagi chegaralardan tashqaridagi kuzatuvlar chiqindi qiymat sifatida belgilangan:

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

Chiqindi qiymatlar, ayniqsa, RTU elektr iste’molida kuzatilgan va mualliflar ularning katta qismini haqiqiy ekspluatatsion holatdan ko‘ra qisqa muddatli data-logger transientlari sifatida talqin qilgan. Belgilangan RTU iste’mol qiymatlari normallashtirishdan oldin eng yaqin ikkita haqiqiy vaqt nuqtasidan foydalanib chiziqli interpolyatsiya bilan almashtirilgan.

Standartlashtirish uchun faqat o‘qitish to‘plamidan olingan o‘rtacha va standart og‘ish qiymatlaridan foydalanilgan; xuddi shu parametrlar validatsiya va test to‘plamlariga qo‘llangan.

Nega GRU ishlatiladi?

Gated Recurrent Unit ketma-ket vaqt qatorlaridagi o‘tmish ma’lumotlarini yashirin holat orqali tashiydigan va qaysi o‘tmish ma’lumoti saqlanishi yoki bostirilishini yangilash va qayta o‘rnatish darvozalari bilan tartibga soladigan recurrent neural network tuzilmasidir. Manba LSTM’ga nisbatan sodda ikki darvozali GRU tuzilmasidan kamroq o‘qitish murakkabligi bilan vaqtga bog‘liqliklarni ushlay oladigan muqobil sifatida foydalanadi.

Manbadagi GRU hisoblari quyidagi ketma-ketlikda beriladi:

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

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

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

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

\(x_t\) joriy vaqt qadamidagi kirish vektorini;\(S_{t-1}\) oldingi yashirin holatni;\(r_t\) reset gate chiqishini;\(\rho_t\) update gate chiqishini;\(\check S_t\) nomzod yashirin holatni;\(S_t\) esa yangi yashirin holatni ifodalaydi. \(W\) va \(U\) belgilar o‘rganiladigan vazn matritsalaridir.

Reset gate o‘tmish holatining qancha qismi yangi nomzod holatga uzatilishini tartibga soladi. Update gate esa eski yashirin holat bilan yangi nomzod holat qaysi nisbatda birlashtirilishini belgilaydi. Shu tariqa model har daqiqada yangi sensor qiymatlarini qayta ishlaganda oldingi daqiqalardagi barcha termal va ekspluatatsion ma’lumotlarni teng darajada olib yurishga majbur bo‘lmaydi.

Umumiy ifoda va vazifa boshliqlari

Asosiy arxitekturada ustma-ust joylashgan ikkita GRU qatlami mavjud va har bir qatlam64 ta yashirin birlik ishlatadi. Manbada asosiy kirish oynasi 15 vaqt qadami × 9 xususiyat, ya’ni(15, 9) tenzor sifatida aniqlangan.

Oxirgi GRU qatlamining 64 o‘lchamli yashirin holati umumiy ifoda sifatida ishlatiladi. So‘ng uchta alohida fully connected vazifa boshlig‘i ushbu umumiy ifodani mos ravishda qaytish havosi harorati, qaytish havosining nisbiy namligi va RTU iste’moli uchun bitta skalyar bashoratga aylantiradi.

Multi-Task Learning yo‘qotish funksiyasi

Standart MTL tuzilmasida vazifa yo‘qotishlari vaznli tarzda yig‘iladi:

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

Bu yerda \(N_T\) vazifalar sonini; ushbu tadqiqot uchun \(N_T=3\). \(\phi_s\) umumiy qatlam parametrlarini, \(\phi_i\) vazifa \(i\) ga xos boshliq parametrlarini, \(L_i\) tegishli vazifaning yo‘qotishini va \(\omega_i\) vazifa vaznini ifodalaydi.

Model parametrlarining gradient descent yangilanishi:

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

ko‘rinishida beriladi. \(\eta\) o‘rganish tezligidir.

Ushbu formulaning asosiy muammosi shundaki, vazifalardan birining yo‘qotish kattaligi yoki gradient ta’siri boshqalarinikidan ancha katta bo‘lsa, umumiy qatlamlarning o‘rganishida ustunlik qilishi mumkin. Tadqiqotda to‘rtta turli vaznlash strategiyasi taqqoslanganining sababi shu.

To‘rtta MTL vaznlash strategiyasi

MTL: Manbada “no weight update” yoki o‘rtacha/standart vaznlash sifatida ishlatiladigan asosiy modeldir.

MTL-DW: Dynamic Weighting yondashuvida vazifa vaznlari o‘qitish davom etishi bilan oldingi epoch yo‘qotishlaridagi o‘zgarishga qarab yangilanadi. Manba ikki vazifali ko‘rsatishda:

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

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

ifodalardan foydalanadi. \(\check L\) oldingi epoch’dagi o‘rtacha vazifa yo‘qotishini ifodalaydi.

MTL-GL: Geometric Loss vazifa yo‘qotishlarining geometrik o‘rtachasini umumiy maqsad funksiyasi sifatida ishlatadi:

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

Bu yondashuv vazifa vaznlarini qo‘lda tanlash ehtiyojini kamaytirishga qaratilgan.

MTL-UW: Homoscedastic Uncertainty Weighting har bir vazifaning kuzatuv shovqinini ifodalovchi o‘rganiladigan \(\sigma_i\) parametrini yo‘qotish funksiyasiga qo‘shadi:

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

Shu tariqa model vazifalarning nisbiy vaznlarini oldindan qo‘lda tanlangan doimiy koeffitsiyentlar o‘rniga o‘qitish jarayonida o‘rganishi mumkin.

Ensemble meta-model qanday yaratiladi?

To‘rtta base modelning barchasi ishlatilganda har bir model uchta vazifa bashorati va validatsiyaga asoslangan bitta ahamiyat ballini hosil qiladi. Shunday qilib, to‘rtta model × to‘rtta axborot =16 o‘lchamli meta-xususiyat hosil bo‘ladi. Uchta base model ishlatilsa 12, ikkita base model ishlatilsa 8 ta meta-xususiyat olinadi.

GBRT meta-modeli har bir maqsad chiqish uchun alohida o‘qitiladi. Manbada GBRT uchun500 boosting bosqichi, maksimal chuqurlik 3, o‘rganish tezligi 0,2 va least-squares regression yo‘qotishi ishlatilgani ko‘rsatilgan.

Ushbu Tadqiqot Aslida Necha Daqiqa Oldinga Bashorat Qiladi?

Usul bo‘limining aniq ta’rifiga ko‘ra modelning tasdiqlangan asosiy chiqishi \(t+1\), ya’ni 1 daqiqalik namuna olish aniqligida1 daqiqadan keyin qaytish havosi harorati, nisbiy namlik va RTU elektr iste’moli bashoratidir. Maqolaning ayrim bo‘limlarida va 12-rasm sarlavhasida “day-ahead” iborasi ishlatilgan bo‘lsa-da, manba 24 soatlik alohida bashorat ufqi uchun o‘qitish yoki test protokolini ta’riflamaydi; shu sababli “day-ahead” iborasi 24 soat oldinga tasdiqlangan bashorat sifatida talqin qilinmasligi kerak.

Manba boshlang‘ich arxitektura uchun 15 qadamli lookback oynasini belgilaydi. Har bir qadam 1 daqiqa bo‘lgani uchun bu asosiy arxitekturada 15 daqiqalik tarixiy kuzatuvni anglatadi. Keyin 5, 10, 15 va 20 daqiqalik lag oynalari bo‘yicha sezgirlik tahlili bajarilgan.

Tadqiqot Usuli va Natijalari

O‘qitish va giperparametr tanlash

Barcha vazifalar regressiya muammosi sifatida ko‘rib chiqilgan va o‘qitish yo‘qotishi sifatida Mean Squared Error (MSE) ishlatilgan. Model parametrlari Adam optimizer yordamida yangilangan.

Giperparametr qidiruvi Optuna 4.8.0 yordamida amalga oshirilgan. Har bir nomzod tuzilma validatsiya MSE’sini baholash uchun dastlab 10 epoch o‘qitilgan va jami 50 ta muvaffaqiyatli sinov bajarilgan.

Modelning ortiqcha moslashuvini kamaytirish uchun validatsiya yo‘qotishi o‘n ketma-ket epoch davomida yaxshilanmasa o‘qitishni to‘xtatuvchi callback, eng yaxshi validatsiya holatini saqlovchi mexanizm va besh ketma-ket yaxshilanmaslikdan keyin o‘rganish tezligini sozlovchi scheduler ishlatilgan.

Alohida MTL modellarining test natijalari

Ushbu jadval bitta model barcha maqsadlar va barcha metrikalarda eng yaxshi emasligini aniq ko‘rsatadi. O‘rtacha vaznli MTL qaytish havosi haroratida eng past MSE va MAE hamda eng yuqori \(R^2\) ni beradi. MTL-DW qaytish havosining nisbiy namligida eng yuqori \(R^2\) qiymatiga ega. RTU iste’molida MTL-UW eng past MSE va eng yuqori \(R^2\) ni bersa, MTL-GL eng past MAE ni beradi.

Ensemble tuzilmalarning manba 3-jadval natijalari

Jadvaldagi E-MTL5 va E-MTL6 harorat MAE qiymati manbada 0,4958 deb bosilgan. Xuddi shu qatordagi MSE=0,0037 bilan birga bu qiymat matematik jihatdan e’tibor talab qiladi; biroq manbada 0,04958 yoki boshqa qiymat yozilmagani sababli Verianla tomonidan indamay tuzatilmagan.

Ensemble Model Individual MTL Modellaridan Haqiqatan Ham Yaxshiroqmi?

Manba matni ensemble yondashuvi individual MTL modellaridan tizimli ravishda ustun ekanini ta’kidlaydi; biroq e’lon qilingan 3-jadval va 4-jadval bu kuchli umumlashtirishni barcha vazifalar va metrikalarda qo‘llab-quvvatlamaydi. Masalan, individual MTL modeli harorat bashoratida E-MTL1’ga qaraganda pastroq MSE/MAE va yuqoriroq \(R^2\) beradi; MTL-UW RTU iste’molida E-MTL1’ga qaraganda pastroq MSE va yuqoriroq \(R^2\) hosil qiladi; MTL-GL esa pastroq RTU MAE ga ega. Shuning uchun tadqiqot ensemble arxitekturasining qo‘llanish mumkinligini va ko‘p modelni birlashtirish yondashuvini ko‘rsatadi, biroq “har bir metrikada barcha individual modellardan ustun” degan xulosa manba jadvallari bilan shartsiz tasdiqlanmaydi.

E-MTL1’ning 3-jadvaldagi qiymatlari MTL-DW qatori bilan bir xil bo‘lishi ham alohida e’tiborga loyiq. Manba matni E-MTL1’ni “o‘rtacha vazn + geometric loss” deb ta’riflagan bo‘lsa, 3-jadval izohi E-MTL1’ni “no weight update + DW” deb belgilaydi. Shu sababli E-MTL1’ning aniq base-model tarkibi manba ichida izchil emas.

Manba afzal ko‘rgan E-MTL1 metrikalari

Ushbu yaxlitlangan qiymatlar manbaning natijalar bo‘limida E-MTL1 uchun berilgan sonlardir. Biroq ular yuqoridagi individual model jadvali bilan birga o‘qilishi kerak.

Lag oynasi nega muhim?

Vaqt qatori modeli faqat joriy daqiqani emas, balki oldingi daqiqalardagi o‘zgarish yo‘nalishi va tezligini ham ishlatadi. Juda qisqa tarixiy oyna yetarli termal dinamikani ushlay olmasligi mumkin; juda uzun oyna esa eski ma’lumotni ortiqcha olib yurib, keskin o‘zgarishlarga javobni kechiktirishi mumkin.

Tadqiqot 5, 10, 15 va 20 daqiqalik lag oynalarini Mean Absolute Percentage Error (MAPE) bo‘yicha taqqoslagan. Manba talqiniga ko‘ra 5 daqiqalik oyna ayrim modellarda qisqa muddatli shovqin va tebranishlarning ortiqcha o‘rganilishiga, 20 daqiqalik oyna esa keskin termal o‘tishlarda keraksiz kechikishga olib kelishi mumkin.

Manbaning natijalar bo‘limida10 daqiqalik lag, o‘rganilgan 5–20 daqiqalik oraliqda responsiveness va stability o‘rtasidagi eng maqbul statik murosa sifatida qayd etilgan.

Bu yerda uslubiy noziklik mavjud: arxitektura tavsifida kirish tenzori 15 qadam × 9 xususiyat sifatida belgilangan bo‘lsa, natijalar bo‘limida 10 daqiqalik oyna afzal ko‘riladi. Bu holat 15 daqiqalik tuzilmani boshlang‘ich/asosiy arxitektura tavsifi, 5–20 daqiqalik tadqiqotni esa alohida sezgirlik tajribasi sifatida tushunish kerakligini anglatadi.

Vaqt qatori natijalari nimani ko‘rsatadi?

Manba 12-rasm haqiqiy va bashorat qilingan qaytish havosi harorati, qaytish havosining nisbiy namligi va RTU elektr iste’moli vaqt qatorlarini birgalikda ko‘rsatadi. Harorat va namlik egri chiziqlari odatda haqiqiy signalni yaqindan kuzatsa, RTU iste’molida tezroq va keskinroq tebranishlar mavjud.

Mualliflar modelning RTU iste’molidagi ushbu tebranuvchan tuzilmani kuzata olishini kirish o‘zgaruvchilari o‘rtasidagi munosabatlarni o‘rgana olganining ko‘rsatkichi sifatida talqin qiladi. Biroq bu grafikning o‘zi model boshqa binoda, boshqa mavsumda yoki boshqa uskunada xuddi shu aniqlikda ishlashini ko‘rsatmaydi.

Ikki qo‘llash ssenariysi haqiqiy tajribami?

Yo‘q. Maqolaning 5-bo‘limidagi ikki ssenariyillustrative narratives, ya’ni tushuntiruvchi namunaviy ssenariylardir. Manba buni aniq ko‘rsatadi. Ssenariylardagi 2 °C harorat oshishi, %5 nisbiy namlik oshishi yoki %10 quvvat oshishi kabi sonlar muayyan test holatida o‘lchangan yangi natijalar emas.

Birinchi ssenariy BMS bashoratlardan foydalanib ta’minot havosi sharoitlarini yoki ventilyator tezligini oldindan sozlashi mumkinligini tushuntiradi. Ikkinchi ssenariy kutilmagan yuqori energiya iste’moli bilan past qaytish harorati/yuqori namlik kombinatsiyasi stuck cooling valve yoki sensor muammosi kabi holatlarni tekshirishga yo‘naltirishi mumkinligini ko‘rsatadi.

Ushbu misollar modelning tasdiqlangan bashorat xatolari miqdoriga mos tarzda tuzilgan; biroq tadqiqot haqiqiy avtomatik nosozlik tashxisi tajribasini yoki real vaqtli yopiq kontur boshqaruvi qo‘llanmasini amalga oshirmagan.

Tadqiqot qo‘llab-quvvatlaydigan xulosalar

• Haqiqiy ORNL RTU ekspluatatsion ma’lumotlari asosida uchta AHU ishlash o‘zgaruvchisini birgalikda bashorat qiluvchi GRU asosidagi ko‘p vazifali o‘rganish modeli ishlab chiqilgan.
• Standart MTL, geometric loss, dynamic weighting va uncertainty weighting strategiyalari bir xil asosiy arxitektura ustida taqqoslangan.
• Turli vazifalarda turli vaznlash strategiyalari ajralib chiqqan; bitta individual model barcha maqsad va metrikalarda aniq eng yaxshi emas.
• RTU qaytish havosi harorati va nisbiy namligi bashoratlarida yuqori \(R^2\) qiymatlari olingan.
• RTU iste’molini bashoratlash atrof-muhit o‘zgaruvchilariga nisbatan qiyinroq bo‘lsa-da, manbada taxminan 0,88 darajagacha \(R^2\) qayd etilgan.
• GBRT asosidagi meta-model turli MTL chiqishlari va validatsiyaga asoslangan ahamiyat ma’lumotlarini bitta ensemble doirasida birlashtirish mumkinligini ko‘rsatadi.
• Lag sezgirligi 10 daqiqalik oynaning o‘rganilgan oraliqda yaxshi responsiveness–stability muvozanatini ta’minlashini ko‘rsatadi.

Tadqiqot qo‘llab-quvvatlamaydigan umumlashtirishlar

• Tadqiqot barcha AHU tizimlarida yoki barcha binolarda bir xil aniqlik olinishi mumkinligini isbotlamaydi.
• Model faqat ORNL Flexible Research Platform ma’lumotlarida tasdiqlangan; boshqa fizik binolarga transfer testi bajarilmagan.
• Manbaning usul bo‘limi 1 daqiqadan keyingi bashoratni tasdiqlaydi; alohida 24 soat oldinga “day-ahead” tajriba protokoli berilmagan.
• Ikki qo‘llash ssenariysidagi harorat, namlik va quvvat o‘zgarishlari o‘lchangan yangi test holatlari emas.
• Model bevosita fizik nosozlik yorliqlari bilan o‘qitilgan fault-diagnosis tizimi emas.
• Bashorat bilan haqiqiy o‘lchov o‘rtasidagi farq muayyan klapan, sensor yoki komponent nosozligini aniq belgilashi ko‘rsatilmagan.
• Modelning energiya tejashi yoki karbonni kamaytirishi haqiqiy maydonda yopiq kontur boshqaruvi tajribasi bilan o‘lchanmagan.
• E’lon qilingan jadvallar ensemble modellar har bir vazifa va har bir ishlash metrikasida barcha individual MTL modellaridan ustun ekanini ko‘rsatmaydi.

Asosiy cheklovlar va kelajakdagi ishlar

Yagona fizik ma’lumotlar manbai: Validatsiya ORNL Flexible Research Platform bilan cheklangan. Held-out test to‘plami ayni fizik tizimning ilgari ko‘rilmagan qismidir; u boshqa binolar yoki geografiyalardagi tashqi validatsiya emas.

Statik lag: 10 daqiqalik lag joriy ma’lumotlar to‘plamida maqbul murosa sifatida topilgan. Manba kelajakda ob-havo sharoitlari o‘zgarish tezligiga mos dinamik yoki adaptiv lookback window ishlab chiqishni tavsiya qiladi.

Upstream tizimlar: Chiller yoki boiler tomonidagi samaradorlik yo‘qotilishi AHU serpantin quvvatiga ta’sir qilishi mumkin. Joriy model bu ta’sirlarni bevosita suv tomoni kirishlari orqali emas, ta’minot havosi xususiyatlari orqali bilvosita ushlaydi. Kelajakda chilled/hot water harorati va sarfi kabi parametrlarni to‘g‘ridan-to‘g‘ri modelga qo‘shish tavsiya qilinadi.

Hisoblash yuklamasi: Ensemble tuzilma bir nechta base modelning forward pass’ini talab qiladi va bitta modelga qaraganda ko‘proq o‘qitish vaqti, xotira talabi va inference xarajatini keltirib chiqaradi. Manba bu HVAC’ning daqiqalik yoki undan uzunroq boshqaruv sikllarida boshqariladigan bo‘lishi mumkinligini, biroq sub-second ilovalarda kechikish cheklovini keltirib chiqarishi mumkinligini ta’kidlaydi.

Ishlash jadvali nomuvofiqliklari: Ensemble ustunligi haqidagi manba bayoni bilan e’lon qilingan jadvallar to‘liq mos emas. Bu holat modelni mustaqil qayta qo‘llash va natijalarni qayta tasdiqlash nuqtayi nazaridan muhim.

Manba va Usul Haqida Izoh

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

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

Corresponding authors: Adedayo Johnson Ogungbile va Favour David Agbajor.

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

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

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

Jurnal: Sustainability.

Nashriyot: MDPI, Basel, Switzerland.

Jild / son / maqola raqami: Volume 18, Issue 15, Article 7980.

DOI: 10.3390/su18157980.

Yuborilgan sana: 11 iyun 2026.

Tahrirlangan sana: 29 iyul 2026.

Qabul qilingan sana: 3 avgust 2026.

PDF nashr sanasi: 6 avgust 2026.

Bibliografik sana izohi: MDPI’ning joriy maxsus son ro‘yxatida maqola sanasi 5 avgust 2026 deb ko‘rsatilgan bo‘lsa, rasmiy PDF 6 avgust 2026 sanasini beradi. Ushbu Verianla matnida PDF sanasi saqlangan.

Manba turi: Taqrizdan o‘tgan tadqiqot maqolasi; haqiqiy HVAC ekspluatatsion ma’lumotlariga asoslangan ma’lumotlarga asosli mashinaviy o‘rganish/model validatsiyasi tadqiqoti.

Litsenziya: Creative Commons Attribution (CC BY).

Rasmiy nashr identifikatori: DOI 10.3390/su18157980.

Ma’lumotlar manbai: Oak Ridge National Laboratory Flexible Research Platform RTU/HVAC ekspluatatsion ma’lumotlar to‘plami.

Ma’lumotlar aniqligi: 1 daqiqa.

Batafsil tahlil davri: 8–14 iyul 2021 bazaviy sovitish ishlashi.

O‘qitish/validatsiya/test: 8:1:1.

Model: Ikki qatlamli, har bir qatlamda 64 ta yashirin birlik ishlatadigan GRU asosidagi Multi-Task Learning; to‘rtta vazifani vaznlash strategiyasi va GBRT ensemble/meta-model.

Bashorat maqsadi: Manba usul bo‘limiga ko‘ra navbatdagi vaqt qadami, ya’ni 1 daqiqadan keyingi qaytish havosi harorati, qaytish havosining nisbiy namligi va RTU elektr iste’moli.

Moliyalashtirish: Mualliflar tadqiqot tashqi moliyalashtirish olmaganini bildirgan.

Qo‘llab-quvvatlash/Acknowledgments: Tadqiqot Centre for Advances in Reliability and Safety (CAiRS), AIR@InnoHK Research Cluster va Hong Kong Metropolitan University tomonidan qo‘llab-quvvatlangani ko‘rsatilgan.

Etika qo‘mitasi: Qo‘llanilmaydi.

Xabardor qilingan rozilik: Qo‘llanilmaydi.

Ma’lumotlar mavjudligi: Tadqiqotda taqdim etilgan ma’lumotlarni corresponding author’dan asosli so‘rov asosida olish mumkinligi ko‘rsatilgan.

Manfaatlar to‘qnashuvi: Mualliflar manfaatlar to‘qnashuvi yo‘qligini bildirgan.

Muallif hissalari: Konseptuallashtirish T.M.A. va F.D.A.; metodologiya T.M.A., A.J.O. va F.D.A.; dasturiy ta’minot T.M.A.; validatsiya T.M.A.; resurslar A.J.O.; ma’lumotlarni kuratsiya qilish T.M.A.; dastlabki qoralama T.M.A., A.J.O. va F.D.A.; ko‘rib chiqish va tahrirlash F.D.A.; vizualizatsiya T.M.A. va F.D.A.; loyiha boshqaruvi A.J.O.; moliyalashtirishni jalb qilish A.J.O.

Manba ichidagi nomuvofiqlik 1 — GRU/LSTM: Usul matni, 7-rasm va natijalar bo‘limi umumiy kodlovchini GRU deb ta’riflaydi. Bunga qarshi ravishda manba 8-rasmda markaziy quti “LSTM model shared layers” deb belgilangan. Ushbu Verianla maqolasi usul matnidagi GRU arxitekturasini asos qilib olgan va rasm yorlig‘idagi farqni yashirmagan.

Manba ichidagi nomuvofiqlik 2 — bashorat ufqi: Usul bo‘limi chiqishlarni aniq \(t+1\), ya’ni 1 daqiqadan keyin deb belgilagan bo‘lsa, ayrim matnlar va 12-rasm “day-ahead” atamasini ishlatadi. Manba alohida 24 soat oldinga bashorat protokolini ta’riflamaydi.

Manba ichidagi nomuvofiqlik 3 — jadval raqami: Ensemble modellar manba 3-jadvalda, individual modellar 4-jadvalda berilgan; shunga qaramay, ayrim bayon va xulosa jumlalarida E-MTL1 “Table 4” bilan bog‘lanadi.

Manba ichidagi nomuvofiqlik 4 — E-MTL1 tarkibi: Manba 3-jadval izohi E-MTL1’ni “no weight update + DW” deb bersa, izoh matni E-MTL1’ni o‘rtacha vazn + geometric loss deb ta’riflaydi.

Manba ichidagi nomuvofiqlik 5 — ensemble ustunligi: Matn va natijalar bo‘limi ensemble modellar individual MTL variantlaridan barcha vazifalarda doimiy ravishda ustun ekanini bildiradi; e’lon qilingan 3-jadval va 4-jadval qiymatlari bu kuchli ifodani barcha metrikalarda qo‘llab-quvvatlamaydi.

Manba ichidagi nomuvofiqlik 6 — E-MTL5/E-MTL6: 3-jadvalda ushbu ikki modelning qaytish havosi harorati MAE qiymati 0,4958 deb bosilgan. Manba nomidan o‘nlik xonasi o‘zgartirilmagan.

Manba ichidagi birlik izohi: RTU airflow rate manba 1-jadvalda m³/h, tanlangan xususiyatlar 2-jadvalda m³/s ko‘rinishida berilgan. RTU elektr o‘zgaruvchisi ham turli bo‘limlarda “power”, “power consumption” va Wh birligidagi elektr iste’moli deb ataladi.

Qo‘llash chegarasi: Model boshqa fizik binolar yoki mustaqil HVAC tizimlarida tashqi validatsiyadan o‘tkazilmagan. Manba buni kelajakdagi tadqiqot yo‘nalishi sifatida ko‘rsatadi.