Bagaimana Big Data dan Analitik Gedung Merevolusi Efisiensi HVAC—Bagian 1
Pada tahun 2014, bisnis di seluruh dunia menghasilkan konten digital yang menakjubkan sebesar 8,4 zettabyte—sekitar 8,4 triliun gigabyte—lompatan dari 2,7 zettabyte pada tahun 2012. Ledakan data ini adalah yang mendorong istilah big data: praktik mengubah aliran informasi yang besar dan beragam menjadi wawasan yang dapat ditindaklanjuti yang membentuk keputusan yang lebih cerdas dan hasil yang lebih baik.
Menerapkan teknik big data pada desain dan retrofit gedung—yang kita sebut analitik gedung—sedang mengubah cara arsitek, insinyur, dan manajer fasilitas menciptakan dan mengoperasikan ruang komersial dan perumahan. Pasar analitik gedung diproyeksi mencapai $100 miliar (€87,5 miliar) dalam empat tahun ke depan, menyoroti momentum komersial di balik disiplin ini.
Sistem HVAC adalah jantung sebagian besar inisiatif analitik gedung. Kevin Burns, president of Bob Jenson Air Conditioning, mencatat bahwa HVAC tidak hanya mendorong kenyamanan gedung tetapi juga mewakili peluang besar untuk penghematan energi dan keunggulan operasional.
Ketidakefisienan Biaya Besar
Di properti perumahan, pemanasan dan pendingin biasanya menanggung 25–30 persen dari total penggunaan energi; di gedung komersial bagiannya naik menjadi 40–60 persen. Sebagai contoh, satu pabrik pendingin dapat mengonsumsi sekitar separuh dari semua energi HVAC—sekitar satu lima dari total konsumsi gedung.
Mengidentifikasi pemborosan melalui data meter saja sulit karena ketidakefisienan seringkali bertahap dan tertanam dalam sekumpulan angka. Namun, pemeliharaan yang ditargetkan yang digabungkan dengan analitik berbasis data dapat memotong angka biaya tinggi tersebut hingga hampir setengah.
Ketika big data dimanfaatkan, ribuan gigabyte telemetri HVAC dapat diarsipkan, mengungkapkan tren historis, hubungan sebab-akibat, kinerja referensi, dan metrik efisiensi biaya yang sebelumnya tidak terlihat.
Analitik gedung yang efektif dapat mengurangi biaya energi operasional tahunan hingga 20 persen setelah gedung mencapai efisiensi optimal, dan biaya downtime dapat turun 35–45 persen. Faktanya, return on investment rata-rata untuk solusi analitik lebih dari $13 (€11,3) untuk setiap dolar yang diinvestasikan.
Visibilitas di Atas
Banyak gedung dirancang dengan komponen HVAC—kail, kipas, klep—yang diperlakukan sebagai satu blok, mengabaikan dinamika terhubung yang dapat menciptakan ketidakefisienan tersembunyi. Jumlah titik set, tingkat, dan loop umpan balik dalam sistem ventilasi memerlukan pandangan dari atas ke bawah untuk mengungkap peluang perbaikan.
Pembelajaran Algoritma Terkini
Algoritma pembelajaran mesin memungkinkan analitik gedung untuk memprediksi dan beradaptasi dengan cuaca yang berubah, mendeteksi pola ocupansi, dan mendistribusikan beban puncak secara cerdas. Generasi terbaru dari jaringan saraf dalam (DNN) menyerap data sensor mentah melalui banyak lapisan abstrakesi, menawarkan solusi yang dapat mengurangi penggunaan energi hingga 30 persen dalam implementasi awal.
Penulis: Kevin Burns, president of Bob Jenson Air Conditioning
Tentang Penulis
Kevin Burns telah memimpin Bob Jenson Air Conditioning di San Diego selama 29 tahun, memperoleh keahlian menyeluruh di semua aspek HVAC. Ia mentoring banyak professional dan mendukung solusi yang memprioritaskan kebutuhan dari setiap rumah dan pelanggan.
