Waarom big data en gebouwanalyse nergens heen gaan:deel 1

In 2014 produceerden bedrijven over de hele wereld gezamenlijk maar liefst 8,4 zettabyte (of 8,4 biljoen gigabyte) aan digitale inhoud, vergeleken met 2,7 zettabyte in 2012. Dat is veel informatie om te ontleden - vandaar de term 'big data', die de trend beschrijft van het verwerken van grote hoeveelheden en zeer variabele informatie om moderne inzichten te vormen en de resultaten te optimaliseren. Het interpreteren van deze berg big data met het oog op het bouwen of renoveren van betere commerciële en residentiële gebouwen vereist nieuwe denkwijzen, zoals gebouwanalyse.

Gebouwanalyse maakt deel uit van de groeiende trend naar volledigere automatisering van bouwsystemen, een markt die naar verwachting de komende vier jaar 100 miljard dollar (87,5 miljard euro) zal bereiken. Deze systemen zijn geïntegreerd in grotere schema's voor duurzaam bouwen, naleving en resourcebeheer. HVAC-functies spelen een belangrijke rol in de manier waarop deze analyses een weg banen voor efficiënter systeemgebruik en geoptimaliseerd procesbeheer, zegt Kevin Burns, president van Bob Jenson Air Conditioning .

Inefficiëntie kost veel geld

Verwarmings- en koelsystemen verbruiken ergens tussen 25-30% van het jaarlijkse totale energieverbruik in woongebouwen en tussen 40-60% in commerciële gebouwen. Een koelinstallatie verbruikt bijvoorbeeld ongeveer een derde van alle HVAC-gerelateerde energiebehoeften (of ruwweg een vijfde van de totale energiebehoefte van een gebouw).

Het gebruik van metergegevens om tekortkomingen te identificeren kan een uitdaging zijn, aangezien energieverspilling vaak incrementeel (en/of niet-lineair) is en verborgen zal raken tussen een grotere achtergrond van verspillingsstatistieken. In plaats daarvan kunnen die opvallende en dure cijfers met bijna de helft worden verminderd met goed systeemonderhoud en gegevensanalyse.

Big data kan duizenden gigabytes aan informatie over residentiële en commerciële HVAC-systemen creëren om grootschalige records te maken, die historische trends kunnen vinden, oorzaak-en-gevolgpatronen kunnen analyseren, HVAC-prestaties kunnen benchmarken en elk ander aantal werkelijke kosten kunnen berekenen. -efficiëntiestatistieken.

Dit type beheer kan de energiekosten voor normaal gebruik elk jaar tot 20% verlagen naarmate een gebouw zijn optimale efficiëntie bereikt, en het kan de kosten van uitvaltijd met 35-45% verminderen. Het gemiddelde investeringsrendement voor analytische oplossingen is meer dan $ 13 (€ 11,3) voor elke bestede dollar.

Zichtbaarheid bovenaan

Het ontwerp van veel gebouwen en hun HVAC-systemen is vaak inherent inefficiënt vanwege verschillende componenten (bijv. spoelen, ventilatoren, kleppen) die vanwege de gekoppelde dynamiek niet afzonderlijk worden gemodelleerd. Het enorme aantal instelpunten, niveaus en terugkoppelingen in elk ventilatiesysteem maakt zichtbaarheid van bovenaf een hoogste prioriteit.

Het nieuwste op het gebied van algoritmisch leren

Gebouwanalyses, door middel van Machine Learning-algoritmen, kunnen de energiebehoefte verminderen, rekening houden met veranderende weersomstandigheden, bezettings- en comfortpatronen detecteren en piekbelastingdistributie van HVAC-systemen afhandelen.

De allernieuwste algoritmen voor machine learning, bekend als diepe neurale netwerken (DNN's), gebruiken kunstmatige intelligentie om complexe problemen op te lossen door onbewerkte gegevens te consumeren en deze via vele transformatieve lagen te verwerken. DNN's zijn pas onlangs geïmplementeerd om HVAC-problemen op te lossen, maar vroege teruggave suggereerde een potentiële energiebesparing van 30%.

De auteur van deze blog is Kevin Burns is de president van Bob Jenson Air Conditioning 

Over de auteur

Kevin Burns is de president van Bob Jenson Air Conditioning in San Diego met meer dan 29 jaar ervaring op het gebied van HVAC. Hij heeft in elk aspect van de industrie gewerkt en tientallen mensen opgeleid. Hij heeft een passie om te doen wat goed is voor elk huis en elke klant en zet deze standaard voor zijn hele team