边缘计算告诉你们公司空调怎么开最省钱

据统计,现代都会人的生涯与事情同楼宇息息相关,跨越80%的时间都是在都会楼宇中渡过,楼宇智能毋庸置疑是影响深远的要害研究课题。

近年来,随着边缘盘算手艺的崛起,边缘智能相关的场景应用拓展也成为科技公司争相展现手艺创新和商业价值的路径,种种边缘AI的解决方案亦应运而生,如华为云智能边缘平台IEF,一站式端云协同多模态AI开发平台HiLens。据统计,现代都会人的生涯与事情同楼宇息息相关,跨越80%的时间都是在都会楼宇中渡过,楼宇智能毋庸置疑是影响深远的要害研究课题。本文将围绕楼宇智能其中最主要的课题之一中央空调能效展望与治理来睁开,现在,该课题面临最大的瓶颈是:现有的大多数能效展望与治理方式仅限于云端单义务,无法支持中央空调能效模子在边缘隐含的大量庞大场景上的能力。

众所周知,暖通空调系统(包罗供暖,通风和空调)主导着商业修建的用电量。对暖通空调系统的现有研究解释,准确量化冷水机组的能效比(数值越大越节能)非常主要,近期提出的数据驱动的能效比展望可以被应用到云上。然则,由于差别园区拥有差别型号的空调或差别种类的传感器,导致差别边缘各个项目在特征、模子等方面区别很大,在小样本情形下很难用一个通用模子顺应所有的项目。

近年来,华为云边缘云创新lab与来自香港理工大学、IBM研究院、华中科技大学、同济大学、深圳大学等知名校企研究团队密切合作并连续开展手艺研究,以边缘楼宇智能领域场景为依托,希望逐步解决现实中隐含大量庞大场景的边缘智能问题。有兴趣的读者迎接关注2018到2020间年揭晓的多义务学习、多义务调剂和多义务应用等历史事情:

通用算法:多义务迁徙与边缘调剂

基于元数据的多义务迁徙关系发现

Zheng, Z., Wang Y., Dai Q., Zheng H., Wang, D. “Metadata-driven task relation discovery for multi-task learning.” In Proceedings of IJCAI (CCF-A), 2019.

在这篇论文中有一个多义务的现实应用案例,差别边缘智能项目接纳差别装备使得边缘侧模子差别,从而可以应用于多义务设定。这篇论文的亮点是引入元数据,元数据是数据集的形貌信息,在庞大系统中用于一样平常系统运作,蕴含专家信息。基于元数据提取义务属性,本论文设计了元数据义务属性与样本义务属性条理连系的多义务通用AI算法(图1)。相关论文专家评审也以为该手艺在应用实践中显示了实用价值,对机械学习项目真正落地具备主要意义,将成为当今大型组织感兴趣的手艺。

边缘计算告诉你们公司空调怎么开最省钱

图1 颜色代表差别聚类簇,数字代表差别装备型号。基于样本属性的方式容易导致负迁徙(统一簇中混淆差别型号装备模子,左图),而基于元数据的方式可以制止负迁徙(右图)。

多义务迁徙学习的边缘义务分配系统与实现

Zheng, Z., Chen, Q., Hu, C., Wang, D., & Liu, F. “On-edge Multi-task Transfer Learning: Model and Practice with Data-driven Task Allocation.” In Proceedings of IEEE TPDS (CCF-A), 2019.

Chen, Q., Zheng, Z., Hu, C., Wang, D., & Liu, F. “Data-driven task allocation for multi-task transfer learning on the edge. ” In Proceedings of IEEE ICDCS (CCF-B), 2019.

多义务迁徙学习是解决边缘上样本不足的典型做法。而现在边缘上的义务分配调剂事情通常假设差别的多个义务是一致主要的,导致资源分配在义务层面不够高效。为了提升系统性能与服务质量,我们发现差别义务对决议的主要性是一个亟需权衡的主要指标。我们证实了基于主要性的义务分配是NP-complete的背包问题变种,而且在多变的边缘场景下该庞大问题的解需要被频仍地重新盘算。因此我们提出一个用于解决该边缘盘算问题的AI驱动算法,而且在现实多变的边缘场景中举行算法测试(图2),与SOTA算法相比该算法能削减3倍以上的处置时间和近50%的能源消耗。

边缘计算告诉你们公司空调怎么开最省钱

图2 凭据边缘场景动态举行义务分配调剂

边缘应用:楼宇智能

基于多义务的冷机负荷控制

Zheng, Z., Chen, Q., Fan, C., Guan, N., Vishwanath, A., Wang, D., & Liu, F. “Data Driven Chiller Sequencing for Reducing HVAC Electricity Consumption in Commercial Buildings.” In Proceedings of ACM e-Energy, 2018. Best Paper Award.

Zheng, Z., Chen, Q., Fan, C., Guan, N., Vishwanath, A., Wang, D., & Liu, F. “An Edge Based Data-Driven Chiller Sequencing Framework for HVAC Electricity Consumption Reduction in Commercial Buildings.” IEEE Transactions on Sustainable Computing, 2019.

多义务可以应用于楼宇节能中。冷机是楼宇中的耗能大户。冷性能效展望与治理,展望冷机负荷决议的能效比并优化冷机负荷决议,一直是楼宇智能最主要的研究问题之一。本研究观测到,在冷机决议能效展望中,差别边缘项目的装备型号和工况差别会导致最终需求的模子差别。这种情形下仅接纳云端单一模子的做法容易导致精度下降和决议失误。本事情研发了一种边云协同的多义务冷机负荷决议框架(图3),在行使现有端边节点且不部署分外硬件的情形下,较当前工业界方式节能30%以上。

边缘计算告诉你们公司空调怎么开最省钱边缘计算告诉你们公司空调怎么开最省钱

图3 边云协同的冷机负荷决议框架

基于多义务的空调舒适度展望

Zheng, Z., Dai Y., Wang D., “DUET: Towards a Portable Thermal Comfort Model.” In Proceedings of ACM BuildSys (Core rank A), 2019.

Yang, L., Zheng, Z., Sun, J., Wang, D., & Li, X. A domain-assisted data driven model for thermal comfort prediction in buildings. In Proceedings of ACM e-Energy. 2018.

空调舒适度展望是楼宇智能历史长河中主要的研究课题之一。现在的舒适度预估方式通常要求分外的传感器或者用户反馈等人工干预,这使得规模化自己成为难题。基于机械学习方式的空调舒适度展望已被证实可以削减分外的人工干预。但在差别边缘场景下,楼宇制冷类型、安装传感器种别等因素会使得云上单一通用模子泛起严重错误。本研究提出了一种多义务的方式举行空调舒适度的展望,在精度上较机理模子和单义务模子划分提升39%和31%。

边缘自顺应义务界说

基于以上项目,读者可以领会到基于多义务的边缘智能算法、系统与应用。值得注意的是,在使用多义务之前,首先需要回覆义务若何界说和划分的问题,如确定在一个应用内差别项目所需机械学习模子的数目以及各个模子的应用局限。该方式现在通常只能由数据科学家和领域专家人工举行干预,自动化水平低,难以规模化复制。因此,边缘自动界说机械学习义务是一个悬而未决但又主要的难题。

为了在边缘种种场景自顺应地界说机械学习展望义务,华为云边缘云创新Lab克日揭晓了研究论文《MELODY: Adaptive Task Definition of COP Prediction with Metadata for HVAC Control and Electricity Saving》。该研究提出了一种包罗义务界说的多义务展望框架(MELODY),其中义务界说能够自顺应地界说并学习复数能效比展望义务。

MELODY是第一个凭据种种边缘场景自顺应界说能效比展望义务的方式。本研究事情为追求自动有用的边缘机械学习方式的研究人员和应用开发人员提供了一种有吸引力的机制,稀奇适用于对于元数据多样化但数据样本不足的庞大系统。MELODY的要害头脑是使用元数据动态划分多个义务,论文提出了元数据的数学界说以及提取元数据的2种泉源和方式。

该团队在现实应用中评估该方案的性能:基于2个大型工业园区中的8座修建物中9台冷机举行4个月实验。实验效果解释,MELODY解决方案优于最新的能效比展望方式,而且能够为两个园区每月节约252 MWh的电量,较当前修建中冷水机的运行方式节约了35%以上的能源。

MELODY论文已获ACM e-Energy 2020吸收:

Zimu Zheng,Daqi Xie,Jie Pu,Feng Wang. MELODY: Adaptive Task Definition of COP Prediction with Metadata for HVAC Control and Electricity Saving. ACM e-Energy 2020. Australia.

ACM e-Energy 属于ACM EIG-Energy Interest Group、盘算机与能源交织的旗舰集会。

1、论文接受率23.2%,历年接受率在20%左右;

2、与CCF-A的Ubicomp; CCF-B的ECAI、TKDD H5-index相同;

3、55位评审程序委员会成员中包罗Andrew A. Chien、Klara Nahrstedt、Prashant Shenoy等8位ACM/IEEE Fellow(约15%);

4、评审程序委员会成员来自IBM研究院、伊利诺伊大学香槟分校、剑桥大学、华盛顿大学、普渡大学、马萨诸塞大学阿默斯特分校、西蒙菲沙大学、南洋理工大学、清华大学、香港理工大学等国际知名校企;

5、与CCF-A的STOC、ISCA、PLDI;CCF-B的IWQos、SIG Metric、COLT、HPDC、ICS、LCTES、SPAA等同属ACM Federated Computing Research Conference (FCRC)系列的13个集会中,ACM FCRC顶会系列由Google、微软、IBM、华为、arm、Xilinx等国际知名企业赞助。

能效比展望

基于冷机的暖通空调系统通常用于商业修建中,消耗的电力占修建物总用电量的40%至70%,这种消耗量主要由暖通空调系统的消耗量决议。商业修建物支付的电费(其中大部门归于暖通空调系统)通常位于组织运营支出的前三名。这种趋势给设施治理者带来了伟大的压力,他们需要通过削减与暖通空调系统相关的电力消耗来提高修建的能源行使效率。

暖通空调的主要消耗来自冷机(见图4)。典型的冷机负荷控制的有用性在很大水平上取决于冷机运行时的性能,即在差别的冷负荷条件下的能效比。能效比是权衡冷性能效的指标,指的是在单元输入功率消耗下的输出冷量。能效比通常大于1,值越大,意味着效率越高。在实践中,设施治理人员通常在冷机部署到修建物时代,在首次测试和调试冷水机组时权衡能效比的初始信息,并用该初始信息来执行冷机负荷控制。初始信息测试时通常将冷量负荷视为唯一参数。然而,这些初始信息无法捕捉现实参数的影响,而且已被近期研究证实是不精确的。

边缘计算告诉你们公司空调怎么开最省钱

图4 冷机示意图

本研究以能效比展望问题作为个例研究。能效比高度依赖于多种因素,例如工况、冷量需求、装备老化、天气等。为了在冷水机组中捕捉这些因素,现有事情已经提出接纳数据驱动方式。能效比展望问题可以看做是在训练阶段学习一种被称为模子的“公式”,该公式在推理阶段能够输出具有给定特征的能效比。

自顺应义务界说

现有方式通常假定展望义务的设置,好比统一应用下的展望模子的数目和展望模子的应用局限,是由数据科学家或领域专家界说和牢固的。下文对照三种被普遍接受的设定:单义务设定、多义务设定和专家辅助的多义务设定。

单义务设定

一个最典型的、被普遍接受的展望义务设置方式是基于牢固的单义务设定:这意味着将所有数据集作为一个整体合并在一起,并训练单个展望模子。研究人员可以使用任何机械学习算法(例如SVM、神经网络、Boosting等)来学习这种模子,并在任何场景下的推理阶段都应用训练出的这单个模子。

单义务设定假设对于统一应用下差别项目内差别的数据集,单个模子应足以形貌所选特征和能效比之间的关系。然则,这种假设可能并不总是建立。

比方说有两个园区接纳了两种类型的冷水机:园区H使用了特灵CVHG1100冷水机和园区J使用了开利W3C100冷水机,那么应凭据冷水机的型号调整在特征和能效比之间的热力学模子。边缘用户往往也期待看到应用到两个边缘项目的模子有所差别:纵然两种冷水机输入相同的水温等特征值,输出的能效比也应差别。但若是将两个数据聚集并在一起并训练统一个能效比模子,通常很难在没有人工干预的情形下确保这一点。

论文作者已往的研究还解释,除了差别边缘项目接纳冷机型号差别可能导致模子差别外,可能导致模子差别的例子还包罗:差别项目接纳的工况和参数设置差别、差别项目接纳的传感器种类差别、差别季节接纳特征差别等(篇幅缘故原由不再赘述,感兴趣的读者可以参考文章开头提及的研究团队历史事情)。差别边缘场景训练出的模子应用局限可能是迥乎差别的。以是对于差别的场景都接纳单义务设定并非总是最佳选择,这可能在实践中引发重大错误,尤其是某些边缘智能项目中训练样本的巨细不足以在大量特征中自动将场景相互区分的情形。

多义务设定

lin-cms-dotnetcore功能模块的设计

但现在展望义务的设置,例如所需模子的数目以及模子的应用局限,仍然是一个开放性问题。为了深入研究此问题,该团队进一步验证多义务设定而非单义务设定,也即考察多个模子在多个测试集上的性能。在一个现实修建物中,使用了从冷机1到冷机5的训练数据集训练了5个模子(以下称为M1 – M5)。然后在另外5个测试数据集(T1 – T5)的差别场景中测试了5个模子的性能。实验及其效果划分如图5-1、5-2所示。

边缘计算告诉你们公司空调怎么开最省钱边缘计算告诉你们公司空调怎么开最省钱

图5-1 复数冷机训练模子在差别冷机测试集下的实验示意图

边缘计算告诉你们公司空调怎么开最省钱边缘计算告诉你们公司空调怎么开最省钱

图5-2 复数冷机训练模子在差别冷机测试集下的展望准确率和样本采集时间对比效果

考察效果显示,

1)精度

只管是基于差别的数据集举行训练,然则冷机1的模子在冷机2和冷机3的测试集上效果很好,而在冷机4和冷机5的测试集上却导致严重错误。对于冷机2到冷机5的模子可以看到类似的考察效果。这是由于冷机1到冷机3来自统一种冷机型号,而冷机4和冷机5是另一种型号。

2)样本采集时间

若是按冷机来划分义务,每个冷机义务至少需要81天的样本。但若是根据型号划分为2个义务,每个型号义务仅需30天的样本。这是由于每个型号义务包罗多台冷机采集的数据。

凭据上述精度和样本采集时间的效果,与其思量5个冷机从而界说5个冷机义务,在这个数据集下不如思量2个型号(冷机1-3和冷机4-5)从而界说2个型号义务,在上述例子中可以降低63%左右的样本采集时间,同时提升近10%的精度。

专家辅助的多义务设定

现实上,不仅冷机型号,随时间转变的环境(例如,天气条件)和工况(例如,供水温度)也可以导致能效比模子的转变。借助领域专家的知识,可以在构建的环境中界说牢固的义务,并将这些牢固的义务应用于差别的修建中。

例如,基于修建环境研究中的领域专业知识,该团队最近一项事情在三座修建物中凭据工况给出了牢固的50个义务,用于多义务冷性能效比展望;该团队最近另外一项事情凭据季节和制冷类型在160座修建物中给出了牢固的4个义务,以举行多义务热舒适性展望。

然则,所需模子的数目及其应用局限可以凭据差别的边缘项目场景而转变,而领域专家的设置很难追随差别边缘项目动态扩展。例如,在一个修建物的少量数据集中,最好有3个义务,即训练3种差别的模子举行能效比展望。然则在另一个包罗1000座修建物的大型数据集中,最好有75个义务。在边缘场景手动界说要展望的机械学习义务通常会导致成本过高或准确性降低,尤其是当义务随项目和时间而动态转变时。因此,有需要针对差别场景自顺应地界说义务。

MELODY

本研究事情旨在解决自顺应义务界说问题,也即差别场景下自动化界说差别的义务,例如,在差别场景中确定需要使用的模子数目以及模子的应用局限等。该团队遇到三个主要挑战,并提出了使用自顺应义务界说方式的多义务展望框架(MELODY)。

挑战1:当前项目的目的未知,而且通常更糟糕的是,可能的义务候选集也未知。

MELODY通过提出义务挖掘解决了第一个挑战。它基于诸如义务森林等新颖结构和算法来自顺应地界说义务,参见图6。这使得MELODY可规模化到众多修建和环境的能效比展望。

边缘计算告诉你们公司空调怎么开最省钱

图6 义务森林的例子:数据示意模子训练样本,属性示意模子应用局限;节点示意子义务,包罗数据、属性和模子(若有);森林的每个根节点,也即每棵树的极点,示意各个子义务合并成的一个义务。对义务森林初始化和维护等详细实现和算法庞大度等证实,有兴趣的读者可以阅读论文附录。

挑战2:标志能效比模子应用局限的属性未知,同时此类属性的泉源也在研究中。

MELODY通过使用元数据作为义务属性的泉源来解决第二个挑战。

元数据由领域专家界说,用于修建治理系统的一样平常控制。例如,传感器的名称和修建物的类型是元数据。在MELODY框架中,该团队提出了从数据库的两个泉源中提取两种元数据的方式。

元数据包罗潜在领域信息,借助这些信息,能够自顺应地提取具有领域知识的义务,并为自动和壮大的义务界说打开了方便之门,如图7所示。

边缘计算告诉你们公司空调怎么开最省钱

图7 基于元数据提取的义务界说(详细实现请参见论文)

挑战3:义务组合数目随属性数目指数增进;因此,冷机样本不足以为所有组合训练模子。

MELODY通过行使多义务迁徙学习克服了第三个挑战。在多义务优化中,学习义务可以使用来自其他差别义务的知识,从而削减数据量的需求。

多义务评估

本研究事情通过将其应用于现实数据来评估方案的性能,在2个大型工业园区中的8座修建物中9台冷机举行4个月时间的实验。园区情形可参见图8。

边缘计算告诉你们公司空调怎么开最省钱边缘计算告诉你们公司空调怎么开最省钱

图8 2个大型工业园区中的8座修建物及其冷机信息

边缘计算告诉你们公司空调怎么开最省钱

表1 义务界说输出效果

表1显示了通过义务界说算法挖掘出的义务的总体信息,在Park J和Park H中发现了两组差别的义务聚集。考察显示差别项目模子的数目和使用模子时的场景都差别。借助五分钟的距离数据,可以在Park J中挖掘出33个义务,这些义务模子的应用局限主要凭据冷机额定功率和平均湿度的来判断。借助一小时的时间距离数据,Park H中仅有2个义务,应用局限需要通过额定功率和额定制冷量来判断。可以发现每个义务中的样本量很小。 对于总共35个义务,有13个义务的样本数少于100,其余22个义务的样本数少于1000。

研究对照了几种应用于冷性能效展望的典型方式:

(1)工业界当前方式:初始设置文件(IP)行使安装时丈量的初始设置文件来估算未来的能效比,是现在工业界正在使用的方式。

(2)学术界常用方式:单义务学习(STL)通过将来自每个数据集的所有义务的数据汇总在一起来学习一个模子;

(3)近期研究事情:关于数据源的自力多义务学习(IMTL),它自力于数据源学习每个义务。例如,针对9个冷机牢固9个义务,而无需在义务之间共享任何样本或知识;

(4)近期研究事情:具有领域知识的多义务学习(MTL),它学习具有由领域知识界说的义务聚类。例如,牢固的50个义务,其中10个负载比和5个冷机。

边缘计算告诉你们公司空调怎么开最省钱

表2 各方式错误率提升

表2效果显示,MELODY的义务界说可以比STL(单义务方式)有所提升。 然则,不正确的义务界说(即IMTL和MTL)对比单义务方式未能有所提升。这主要是由于与在差别数据集中(如MELODY)使用自顺应义务的方式相比,IMTL和MTL在划分义务后会天生较小的数据集,这导致部门义务内缺乏训练样本。当义务数目随着属性数目和时间推移而增添时,效果变得更差,由于义务迁徙关系变得越来越庞大。在这种情形下,义务之间共享知识变得更具挑战性,并容易导致一种被称为负迁徙的影响,也即从不相关的源域到目的域共享知识而导致的错误。可以看到,MELODY能解决相关问题,从而使得效果优于最新的能效比展望方式,将能效比展望误差率降低了18.18-61.70%,最终能够在两个园区上每月节约252 MWh的电量,与当前修建中冷水机的运行方式相比节约了36.75%以上的能源。

本文作者:郑子木博士,华为云边缘云创新Lab高级研究工程师,结业于香港理工大学,主要研究偏向是边缘智能及AIoT。揭晓国际相关领域顶级集会及期刊 (TPDS、 IJCAI、 ICDCS、CIKM、TOSN、TIST等) 论文十余篇,多次获得最佳集会论文奖项,多次获得要害手艺突破、高价值专利和新服务孵化等华为杰出孝敬奖项。

华为云边缘云创新Lab:愿景是探索端边云协同要害手艺,构建无所不在的、极致体验的智能边缘云。团结工业同伴和学术机构,配合致力于研究边缘云创新手艺、孵化边缘云创新应用、构建边缘云繁荣生态。研究偏向包罗大规模智能边缘云平台、边云协同AI、端边云协同渲染与视频加速。现在已孵化上线华为边缘盘算平台IEF,并孝敬首个基于Kubernetes的云原生边缘盘算平台KubeEdge,获尖峰开源手艺创新奖、最佳智能边缘盘算手艺创新平台等多项奖项;孵化的业内首个边云协同增量学习事情流即将上线华为云HiLens服务、IEF服务;学术上近2年已揭晓7篇边云协同AI、云原生边缘盘算相关顶会论文,获多项最佳论文和优秀论文奖项。

 

点击关注,第一时间领会华为云新鲜手艺~

原创文章,作者:admin,如若转载,请注明出处:https://www.2lxm.com/archives/17831.html