Los termostatos inteligentes han cambiado la forma en que muchas personas calientan y enfrían sus hogares mediante el uso del aprendizaje automático para responder a los patrones y preferencias de ocupación, lo que resulta en un menor consumo de energía. Esta tecnología, que puede recopilar y sintetizar datos, generalmente se centra en el uso de una sola vivienda, pero ¿y si este tipo de inteligencia artificial pudiera gestionar dinámicamente la calefacción y la refrigeración de todo un campus? Esa es la idea detrás de un esfuerzo interdepartamental que trabaja para reducir el uso de energía en el campus a través de controles de edificios de IA que responden en tiempo real a factores internos y externos.
Entendiendo el desafío
La calefacción y la refrigeración pueden ser un desafío energético para campus como el MIT, donde los sistemas de gestión de edificios (BMS) existentes no pueden responder rápidamente a factores internos como las fluctuaciones de ocupación o factores externos como el pronóstico del tiempo o la intensidad de carbono de la red. Esto da como resultado el uso de más energía de la necesaria para calentar y enfriar espacios, a menudo a niveles subóptimos. Al utilizar la IA, los investigadores han comenzado a establecer un marco para comprender y predecir los puntos de ajuste de temperatura óptimos (la temperatura que se ha configurado para mantener un termostato) a nivel de habitación individual y tomar en consideración una serie de factores, lo que permite que los sistemas existentes para calentar y enfriar de manera más eficiente, todo sin intervención manual.
«No es tan diferente de lo que la gente hace en las casas», explica Les Norford, profesor de arquitectura en el MIT, cuyo trabajo en estudios de energía, controles y ventilación lo conectaron con el esfuerzo. “Excepto que tenemos que pensar en cosas como cuánto tiempo se puede usar un salón de clases en un día, las predicciones climáticas, el tiempo necesario para calentar y enfriar un salón, el efecto del calor del sol que entra por la ventana y cómo se desarrollará el salón de clases a continuación. La puerta podría afectar todo esto”. Estos factores están en el centro de la investigación y los pilotos en los que se centran Norford y su equipo. Ese equipo incluye a Jeremy Gregory, director ejecutivo del MIT Climate and Sustainability Consortium; Audun Botterud, científico investigador principal del Laboratorio de Sistemas de Información y Decisión; Steve Lanou, director de proyectos de la Oficina de Sostenibilidad del MIT (MITOS); Fran Selvaggio, ingeniero senior de sistemas de gestión de edificios del Departamento de Instalaciones; y Daisy Green y You Lin, ambos postdoctorados.
El grupo está organizado en torno al llamado a la acción para «explorar posibilidades de emplear inteligencia artificial para reducir el consumo de energía en el campus» descrito en Fast Forward: Plan de acción climática del MIT para la década, pero los esfuerzos se remontan a 2019. «Mientras trabajamos para Para descarbonizar nuestro campus, estamos explorando todas las vías”, dice Joe Higgins, vicepresidente de Servicios y Administración del Campus, quien originalmente presentó la idea a los estudiantes en el MIT Energy Hack de 2019. «Para mí, fue una gran oportunidad de utilizar la experiencia del MIT y ver cómo podemos aplicarla a nuestro campus y compartir lo que aprendemos con la industria de la construcción». La investigación sobre el concepto comenzó en el evento y continuó con investigadores estudiantes de pregrado y posgrado ejecutando ecuaciones diferenciales y administrando pilotos para probar los límites de la idea. Pronto, Gregory, que también es miembro de la facultad de MITOS, se unió al proyecto y ayudó a identificar a otras personas para unirse al equipo. «Mi función como miembro de la facultad es encontrar oportunidades para conectar a la comunidad de investigación del MIT con los desafíos que enfrenta el propio MIT, por lo que esto era perfecto para eso», dice Gregory.
Los primeros pilotos del proyecto se centraron en probar los puntos de ajuste del termostato en NW23, sede del Departamento de Instalaciones y la Oficina de Planificación del Campus, pero Norford rápidamente se dio cuenta de que las aulas ofrecen muchas más variables para probar, y el piloto se amplió al Edificio 66, un edificio mixto. -Edificio de uso que alberga aulas, oficinas y espacios de laboratorio. “Cambiamos nuestra atención a las aulas de estudio en parte debido a su complejidad, pero también a su enorme escala: hay cientos de ellas en el campus, por lo que [they offer] más oportunidades para recopilar datos y determinar los parámetros de lo que estamos probando”, dice Norford.
Desarrollando la tecnología
El trabajo para desarrollar controles de edificios más inteligentes comienza con un modelo basado en la física que utiliza ecuaciones diferenciales para comprender cómo los objetos pueden calentarse o enfriarse, almacenar calor y cómo el calor puede fluir a través de la fachada de un edificio. También se ingresan datos externos como el clima, la intensidad de carbono de la red eléctrica y los horarios de las aulas, y la IA responde a estas condiciones para ofrecer un punto de ajuste óptimo del termostato cada hora, uno que proporcione el mejor equilibrio entre los dos objetivos de la temperatura. comodidad de los ocupantes y uso de energía. Ese punto de ajuste luego le dice al BMS existente cuánto calentar o enfriar un espacio. A continuación se realizan pruebas en la vida real, en las que se encuesta a los ocupantes del edificio sobre su comodidad. Botterud, cuya investigación se centra en las interacciones entre ingeniería, economía y políticas en los mercados eléctricos, trabaja para garantizar que los algoritmos de IA puedan traducir este aprendizaje en ahorros de energía y emisiones de carbono.
Actualmente, los pilotos se centran en seis aulas dentro del Edificio 66, con la intención de trasladarlos a espacios de laboratorio antes de expandirse a todo el edificio. «El objetivo aquí es el ahorro de energía, pero eso no es algo que podamos evaluar plenamente hasta que hayamos completado un edificio completo», explica Norford. «Tenemos que trabajar aula por aula para recopilar datos, pero estamos viendo un panorama mucho más amplio». El equipo de investigación utilizó sus simulaciones basadas en datos para estimar importantes ahorros de energía manteniendo el confort térmico en las seis aulas durante dos días, pero se necesita más trabajo para implementar los controles y medir los ahorros durante todo un año.
Con ahorros significativos estimados en aulas individuales, el ahorro de energía derivado de todo un edificio podría ser sustancial, y la IA puede ayudar a alcanzar ese objetivo, explica Botterud: “Todo este concepto de escalabilidad está realmente en el centro de lo que estamos haciendo. Pasamos mucho tiempo en el Edificio 66 para descubrir cómo funciona y esperamos que estos algoritmos puedan ampliarse con mucho menos esfuerzo a otras salas y edificios para que las soluciones que estamos desarrollando puedan tener un gran impacto en el MIT”, dijo. dice.
Parte de ese gran impacto involucra al personal operativo, como Selvaggio, que es esencial para conectar la investigación con las operaciones actuales y ponerlas en práctica en todo el campus. «Gran parte del trabajo del equipo de BMS se realiza en la etapa piloto de un proyecto como este», afirma. «Pudimos poner en funcionamiento estos sistemas de IA con nuestro BMS existente en cuestión de semanas, lo que permitió a los pilotos despegar rápidamente». Selvaggio dice que, en preparación para la finalización de los pilotos, el equipo de BMS ha identificado 50 edificios adicionales en el campus donde la tecnología se puede instalar fácilmente en el futuro para comenzar a ahorrar energía. El equipo de BMS también colabora con la empresa de automatización de edificios, Schneider Electric, que ha implementado los nuevos algoritmos de control en las aulas del Edificio 66 y está lista para expandirse a nuevas ubicaciones piloto.
Impacto en expansión
La finalización exitosa de estos programas también abrirá la posibilidad de lograr ahorros de energía aún mayores, acercando al MIT a sus objetivos de descarbonización. «Más allá del simple ahorro de energía, eventualmente podremos convertir los edificios de nuestro campus en una red de energía virtual, donde miles de termostatos se agregan y coordinan para funcionar como una entidad virtual unificada», explica Higgins. Estos tipos de redes energéticas pueden acelerar la descarbonización del sector energético al disminuir la necesidad de plantas de energía con alto consumo de carbono en las horas pico y permitir un uso más eficiente de la energía de la red eléctrica.
A medida que los pilotos continúan, cumplen otro llamado a la acción en Fast Forward: que el campus sea un “banco de pruebas para el cambio”. Gregory dice: “Este proyecto es un gran ejemplo del uso de nuestro campus como banco de pruebas: aporta investigaciones de vanguardia para aplicarlas a la descarbonización de nuestro propio campus. Es un gran proyecto por su enfoque específico, pero también por servir como modelo sobre cómo utilizar el campus como laboratorio viviente”.
