Mengapa data besar dan analisis bangunan tidak berhasil:Bagian 1
Pada tahun 2014, bisnis di seluruh dunia secara kolektif menghasilkan 8,4 zettabytes (atau 8,4 triliun gigabyte) konten digital, naik dari 2,7 zettabytes pada tahun 2012. Itu banyak informasi untuk diuraikan — maka istilah "data besar," yang menggambarkan tren memproses informasi bervolume tinggi dan sangat bervariasi untuk membentuk wawasan modern dan mengoptimalkan hasil. Menafsirkan kumpulan data besar ini untuk tujuan membangun atau merenovasi bangunan komersial dan tempat tinggal yang lebih baik memerlukan cara berpikir baru, seperti analisis bangunan.
Analisis bangunan adalah bagian dari tren yang berkembang menuju otomatisasi sistem bangunan yang lebih lengkap, pasar yang diperkirakan akan mencapai $100 miliar (€87,5 miliar) dalam empat tahun ke depan. Sistem ini telah diintegrasikan ke dalam skema yang lebih besar untuk pembangunan berkelanjutan, kepatuhan, dan pengelolaan sumber daya. Fungsi HVAC memainkan peran penting dalam bagaimana analitik ini membuka jalan untuk penggunaan sistem yang lebih efisien dan manajemen proses yang dioptimalkan, kata Kevin Burns adalah presiden Bob Jenson Air Conditioning .
Inefisiensi menghabiskan banyak uang
Sistem pemanas dan pendingin mengkonsumsi antara 25-30% dari total penggunaan energi tahunan di bangunan tempat tinggal dan antara 40-60% di bangunan komersial. Misalnya, pabrik pendingin mengkonsumsi sekitar sepertiga dari semua kebutuhan energi terkait HVAC (atau kira-kira seperlima dari total kebutuhan energi bangunan).
Menggunakan data meteran untuk mengidentifikasi kekurangan dapat menjadi tantangan, karena pemborosan energi seringkali bersifat inkremental (dan/atau non-linier) dan akan tersembunyi di antara latar belakang statistik pemborosan yang lebih besar. Sebaliknya, angka-angka yang menarik dan mahal itu dapat dikurangi hampir setengahnya dengan pemeliharaan sistem dan analisis data yang tepat.
Data besar dapat membuat ribuan gigabyte informasi tentang sistem HVAC perumahan dan komersial untuk membuat catatan skala besar, yang dapat menemukan tren historis, menganalisis pola sebab-akibat, kinerja HVAC benchmark, dan menghitung jumlah biaya riil lainnya. -metrik efisiensi.
Jenis manajemen ini dapat mengurangi biaya energi operasi normal setiap tahun hingga 20% saat gedung mencapai efisiensi optimalnya, dan dapat mengurangi biaya waktu henti hingga 35-45%. Rata-rata laba atas investasi untuk solusi analitik lebih dari $13 (€11,3) untuk setiap dolar yang dibelanjakan.
Visibilitas di bagian atas
Desain banyak bangunan dan sistem HVAC-nya seringkali tidak efisien karena komponen yang berbeda (misalnya kumparan, kipas, katup) yang tidak dimodelkan secara terpisah karena dinamika yang digabungkan. Banyaknya titik setel, level, dan masukan dalam sistem ventilasi apa pun menjadikan visibilitas atas-bawah sebagai prioritas utama.
Yang terbaru dalam pembelajaran algoritmik
Analisis bangunan, melalui algoritme Machine Learning, memiliki kemampuan untuk mengurangi kebutuhan energi, memperhitungkan perubahan kondisi cuaca, mendeteksi pola hunian dan kenyamanan, serta menangani distribusi beban puncak sistem HVAC.
Algoritme pembelajaran mesin terbaru, yang dikenal sebagai jaringan saraf dalam (DNN), menggunakan Kecerdasan Buatan untuk memecahkan masalah kompleks dengan mengonsumsi data mentah dan memprosesnya melalui banyak lapisan transformatif. DNN baru-baru ini diterapkan untuk memecahkan masalah HVAC, tetapi pengembalian awal menyarankan potensi penghematan energi sebesar 30%.
Penulis blog ini adalah Kevin Burns adalah presiden AC Bob Jenson
Tentang penulis
Kevin Burns adalah presiden Bob Jenson Air Conditioning di San Diego dengan pengalaman lebih dari 29 tahun di bidang HVAC. Dia telah bekerja di setiap aspek industri dan telah melatih lusinan orang. Dia memiliki hasrat untuk melakukan apa yang benar untuk setiap rumah dan pelanggan dan menetapkan standar ini untuk seluruh timnya
