빅 데이터 및 건물 분석이 어디에도 없는 이유:1부

2014년에 전 세계 기업들은 2012년의 2.7제타바이트에서 증가한 8.4제타바이트(또는 8조 4천억 기가바이트)의 엄청난 디지털 콘텐츠를 생산했습니다. 이는 분석해야 할 정보의 양이 많기 때문에 추세를 설명하는 "빅 데이터"라는 용어입니다. 현대적 통찰력을 형성하고 결과를 최적화하기 위해 대용량 및 고도로 가변적인 정보를 처리합니다. 더 나은 상업용 및 주거용 건물을 건설하거나 개조할 목적으로 이 엄청난 양의 빅 데이터를 해석하려면 건물 분석과 같은 새로운 사고 방식이 필요합니다.

빌딩 분석은 빌딩 시스템의 완전한 자동화를 향한 성장 추세의 일부이며, 이 시장은 향후 4년 동안 1,000억 달러(875억 유로)에 이를 것으로 예상됩니다. 이러한 시스템은 지속 가능한 건물, 규정 준수 및 자원 관리를 위한 더 큰 계획에 통합되었습니다. Bob Jenson Air Conditioning 사장인 Kevin Burns는 HVAC 기능이 이러한 분석이 보다 효율적인 시스템 사용 및 최적화된 프로세스 관리를 위한 경로를 명확하게 하는 데 중요한 역할을 한다고 말합니다. .

비효율성으로 인해 큰 비용이 발생합니다.

난방 및 냉방 시스템은 주거용 건물의 연간 총 에너지 사용량의 25~30%, 상업용 건물의 경우 40~60%를 소비합니다. 예를 들어, 냉각 공장은 모든 HVAC 관련 에너지 요구사항의 약 1/3(또는 건물의 총 에너지 요구사항의 약 1/5)을 소비합니다.

에너지 낭비는 종종 증분(및/또는 비선형)되고 낭비 통계의 더 큰 배경에 숨겨지기 때문에 계량기 데이터를 사용하여 결함을 식별하는 것은 어려울 수 있습니다. 대신 적절한 시스템 유지 관리와 데이터 분석을 통해 눈길을 사로잡는 값비싼 수치를 거의 절반으로 줄일 수 있습니다.

빅 데이터는 주거 및 상업용 HVAC 시스템에 대한 수천 기가바이트 가치의 정보를 생성하여 과거 추세를 찾고 인과 관계 패턴을 분석하고 HVAC 성능을 벤치마킹하고 실제 비용을 계산할 수 있는 대규모 기록을 만들 수 있습니다. - 효율성 메트릭.

이러한 유형의 관리는 건물이 최적의 효율성에 도달함에 따라 매년 정상 운영 에너지 비용을 최대 20%까지 절감할 수 있으며 가동 중지 시간 비용을 35-45%까지 줄일 수 있습니다. 분석 솔루션의 평균 투자 수익은 지출 1달러당 $13(€11.3) 이상입니다.

상단의 가시성

많은 건물 및 HVAC 시스템의 설계는 결합된 역학으로 인해 별도로 모델링되지 않은 다양한 구성요소(예:코일, 팬, 밸브)로 인해 본질적으로 비효율적인 경우가 많습니다. 모든 환기 시스템의 설정점, 수준 및 피드백의 수는 하향식 가시성을 최우선으로 합니다.

최신 알고리즘 학습

기계 학습 알고리즘을 통해 건물 분석은 에너지 수요를 줄이고, 변화하는 기상 조건을 고려하고, 점유 및 쾌적 패턴을 감지하고, HVAC 시스템의 최대 부하 분포를 처리하는 기능을 갖습니다.

심층 신경망(DNN)으로 알려진 최신 기계 학습 알고리즘은 인공 지능을 사용하여 원시 데이터를 소비하고 많은 변형 계층을 통해 처리함으로써 복잡한 문제를 해결합니다. DNN은 HVAC 문제를 해결하기 위해 최근에 구현되었지만 조기 반환에 따르면 30%의 잠재적 에너지 절약이 제안되었습니다.

이 블로그의 작성자는 Kevin Burns가 Bob Jenson Air Conditioning의 사장입니다.

저자 소개

Kevin Burns는 HVAC 분야에서 29년 이상의 경험을 가진 San Diego의 Bob Jenson Air Conditioning 사장입니다. 그는 업계의 모든 측면에서 일했으며 수십 명의 사람들을 교육했습니다. 그는 각 가정과 고객에게 옳은 일을 하고자 하는 열정을 가지고 있으며 그의 전체 팀에 이 표준을 설정합니다.