无论天气如何 数据驱动的方法都可以节省能源

如果预报要求下雨，你可能会打包伞。如果需要感冒，你可以带上连指手套。同样的准备工作发生在建筑物中，其中复杂的加热和冷却系统根据预测的天气自行调整。

但是，当预测不完美时 - 通常情况下 - 建筑物最终会浪费能源，就像我们可能发现自己潮湿，寒冷或者承受着我们不需要的额外层次一样。

由Fengx You，Roxanne E.和Michael J. Zak能源系统工程教授开发的新方法使用机器学习模型预测天气预报的准确性，该机器学习模型使用多年的预测和实际天气条件数据进行训练。您将该预测器与考虑建筑特征的数学模型相结合，包括房间的大小和形状，建筑材料，传感器的位置和窗户的位置。

根据他的团队在Cornell校园内近90年历史的建筑物Toboggan Lodge进行的一项案例研究，结果是智能控制系统能够将能耗降低多达10%。

“如果建筑本身可以'智能'足以了解天气状况，或者至少在某种程度上了解天气预报信息，可以做出更好的调整，自动控制其供暖和制冷系统，以节省能源和制造占用者更舒服，“你说，他的论文，”基于场景的随机模型预测控制的数据驱动的稳健优化方法“，于2019年1月在线发表在过程控制杂志上。

“例如，如果我知道太阳很快就会出现，那将是温暖的，那么我可能不需要为房子加热这么多。如果我知道今晚会有暴风雨来临，那么我会尝试加热一点，这样我就能保持舒适的水平，“你说。“我们试图使能源系统变得智能化，因此它可以预测未来的一点点并做出最佳决策。”

本文的第一作者是赵尚，他曾是你实验室的康奈尔博士后助理，现在是清华大学自动化系的助理教授。Robert Frederick Smith化学与生物分子工程学院的硕士生团队 - 包括黄浩凯，M.Eng。'18，Wei-Han Chen，M.Eng'18，Jun Yang，M.Eng。'18和秀王，M.Eng。'18 - 帮助开发了Toboggan Lodge案例研究，此外还收集了多年的历史天气和气候数据来训练机器学习模型。

有了这些信息，该模型不仅可以检测温度，还可以检测降水，阳光和位置条件差异。根据预测中的不确定性水平，模型相应地进行自我调整。

“即使是最好的天气预报系统也不会给你最准确的信息，”你说。“另外，天气预报信息通常是针对特定地区而非特定地点。例如，伊萨卡机场的气象站可能与Collegetown的气候条件不同。“

Toboggan Lodge位于Beebe Lake附近的Forest Home Drive，提供了一个有趣的案例研究，因为它小巧，简单和陈旧，其加热和冷却系统相对容易改造。

　　免责声明：本文由用户上传，与本网站立场无关。财经信息仅供读者参考，并不构成投资建议。投资者据此操作，风险自担。 如有侵权请联系删除！