Bina Sistemlerini Kontrol Etmek için Yapay Zekanın Kullanılması
HVAC hedeflerine ulaşmak için yapay zeka ile bina otomasyon sisteminin bağlanması sayesinde enerji tasarrufu yapılabilir.
Yazan: Kevin Ricart, Consulting Engineer
Çeviren: Meriç Noyan Karataş
Bina otomasyonu ve kontrollerinde, yapay zeka ve yapay zeka (AI) algoritmalarının bina sistemlerinin kontrolünde kullanılması ile elde edilebilecek potansiyel enerji tasarruf miktarları ile ilgili bilgi eksikliği yoktur. Benzer olarak, standart bina otomasyon çözümlerine ek olarak bir çeşit AI çözümü de sunan BAS sağlayıcılarının sayısı da az değildir. Son olarak, herhangi bir BAS ile çalıştığı idda edilen AI temelli kontrol çözümleri sunan üçüncü partilerin de sayıları her geçen gün artmaktadır.
Endüstri standartları ile uyumlu olan bir HVAC kontrol tasarım prosesinde tasarım mühendisi, sistemin nasıl çalışmasının istendiğini anlatan bir işlem sıralaması hazırlar fakat diğer taraftan kontrol sistemi sağlayıcısının işlem sıralamasını programlaması adına gerekli olan tüm bilgiyi vermez.
Kontrol sağlayıcısının deneyimi ve uzmanlık seviyesi, tasarım mühendisi tarafından hazırlanmış olan işlem sıralamasını bilgisayar koduna tecüme eder ve bu kod BAS içerisine yerleştirilir. Bu süreç, tasarım mühendisine sistemin genel davranışı üzerinde kontrol imkanı verirken, zaman gecikmeleri, PID döngü kazançları ve genel kod yapısı gibi son detayları da delege etmesini sağlar.
AI bazlı kontrol çözümleri söz konusu olduğunda, AI çözümlerinin geniş aralığı ve mülkiyet hakları sebebiyle, tasarım mühendisi genellikle kontrol tasarımının büyük bir bölümünü AI çozüm sağlayıcısına delege etmek zorunda kalır. Bu kontrol üzerindeki azalma, özellikle AI çözümünün doğasını açıklamak için kullanılan konsept ve kelime haznesi birçok HVAC tasarım mühendisine yabancı gelmesi ve birçok çözüm sunucu tarafından ortaya atılan iddaların doğrulanması ve/veya belli bir uygulamaya normalize edilmesinin zor olması, tasarım mühendisleri için can sıkıcı olabilir.
Bina kontrolleri BACnet, Modbus ve LONworks gibi farklı iletişim protokolleri kullanıyor olsa da, bu makaledeki örneklerde BACnet iletişim protokolü baz alınacaktır. Genellikle, birçok bulut bazlı çözüm BAS üzerine kurulmaktadır (Şekil 1). Bu durumlarda, bulut bazlı çözüm ile BAS arasında bir “tercüman / iletişimci” olmalıdır. İşte tam olarak burada uygulama programlama ara yüzü (API) devreye girer ve veriyi (örneğin sensörler ve aktuatörlerden gelen veriler, buluttan BAS’a gelen komutlar vb.) bulut ve BAS arasında API “taşır”.
API, alt kademe BAS sağlayıcısı veya bulut bazlı çözüm sağlayıcısı tarafından temin edilebilir. BAS, tüm BACnet bina seviyesi kontrol cihazlarını (B-BC), BACnet ileri seviye uygulama kontrol cihazlarını (B-AAC), BACnet uygulama spesifik kontrol cihazlarını (B-ASC), BACnet ileri düzey operatör iş istasyonlarını (B-AWS) ve tüm diğer kablo, sensör, aktuatör, server vb. içerir.
ANSI/ASHRAE Standart 135-A, Bina Otomasyonu ve Kontrol Ağları için Veri İletişim Protokolü, Ek – L, Bir BAS ve bileşenlerinin BACnet uyumlu olarak sınıflandırılması için karşılaması gerekli olan performans kriterlerinin belirtildiği standarttır.
B-AWS bina operatörleri ve teknisyanları tarafından tüm konfigürasyonu, görüntülemeyi, modifikasyonu ve bütün direkt dijital kontrol sisteminin işletilmesini sağlar.
B-BC genellikle büyük (örneğin 40’tan fazla kontrol noktası olan ve komplike işlem sıralaması olan) klima santrallerinde, chiller’larda ve ısıtma santrallerinde kullanılır.
B-AAC genellikle daha küçük (örneğin 30’dan daha az kontrol noktası ve komplike olmayan işlem sırlaması olan) klima santrallerinde kullanılır.
B-ASC genellikle terminal ünitelerin (VAV kutuları, fan coil üniteleri vb.) kontrolünde kullanılır
Yerel BAS ile bulut çözümü arasındaki doğru iletişim bağlantısının kurulması belki de BAS ağ altyapısının tasarımındaki en önemli kısımdır. Bunun sebebi:
• Genenlikle, bulut bazlı çözümlerin hiçbiri standart HVAC kontrol iletişim protokol (örneğin BACnet, ModBUS vb.) dillerinin hiçbirini konuşamaz. İşte API’nin devreye girdiği yer tam da burası oluyor ve API bulut bazlı çözümden aldığı bilgiyi standart iletişim protokolüne dönüştürerek, B-BC’lerin, B-AAC’lerin ve B-ASC’lerin kendilerinden istenenin ne olduğunu anlamalarını sağlıyor. Benzer olarak API B-BC’lerden, B-AAC’lerden ve B-ASC’lerden bilgi alarak bulut bazlı çözümün gerektirdiği iletişim protokolüne dönüştürüyor. Bulut bazlı çözümün karmaşıklığı arttıkça, API’nin de maliyeti ve karmaşıklığı artar.
• Sorgulamanın frekansı. Sorgulama, BAS sağlayıcısının bulut bazlı çözümün farklı BAS kontrol cihazları ile konuşması için izin verdiği zaman frekansı (genellikle dakika) olarak tanımlanabilir. Çok fazla sorgulama sonucu BAS ağı boğulabilir. Seyrek sorgulamada ise bulut bazlı çözümün etkniliğini azaltacaktır.
BAS ağı neden boğulur?
Malesef mevcutta bulunan ve hatta yeni BAS ağlarının büyük bir kısmı, eski bir teknoloji olarak kabul edebileceğimiz BACnet MS/TP ağ ve iletişim protokolleri baz alınarak oluşturulmuşlardır. 1990’ların ortası ve sonundan günümüze kadar, BACnet MS/TP ağı ve ilişkili iletişim protokolleri, sahiplerine farklı BAS sağlayıcılarını karşılaştırmak için gerekli değerlendirmeyi verirken aynı zamanda bir BAS edinmenin daha maliyet etkin yollarını da göstermiştir.
Şekil 1. Çeşitli BACnet kontrol cihazlarının hiyerarşisini ve bulut bazlı çözümün arayüz noktasını gösteren bir BACnet ağ mimarisi
Standart bir BAS’tan alınacak, standart bir trend veri seti, 5 ile 15 dakika aralıklarla sorgulanan verileri içerir. Şekil 1’de gösterildiği gibi (kırmızı çizgiler), ağın BACnet MS/TP kısmı, 1990’ların sonlarında kullanılan bir internet dial-up modemin hızına eş değerdedir. Yerel B-ASC’lerin işlem hızı daha agresif sorgulama sürelerine (her dakika gibi) izin veriyor olsa da, sorgulama süresini limitleyen BACnet MS/TP ağı ve ilgili iletişim protokolüdür.
Makina öğrenimi, AI’nın bir alt kümesidir. Öğrenilmesi gereken çok önemli bir kavram, makina öğrenimi (ML) bazlı kontrol algoritmalarının, kendi tahminlemelerinin arkasındaki “neden”i anlamamalarıdır.
ML algoritmaları genellikle üç kategoriye bölünürler, Öğreticiyle Öğrenme (sınıflandırma, regresyon), öğreticisiz öğrenme (kümelenme, boyut indirgeme, öneri) ve takviyeli öğrenme (ödül maksimizasyonu). Birinci ve üçüncü kategoriler bina sistemlerinin kontrolünde en çok kullanılanlardır. Her ikisinde de, (hem öğreticiyle öğrenme hem de takviyeli öğrenmede) algoritmalar bir fonksiyon oluşturabilmek için geçmiş datalara ihtiyaç duyacağı unutulmamalıdır. Sınıflandırma kullanan bir algoritmanın çıktısı genellikle binary olacaktır. Bu tip algoritmalar HVAC sistemi operasyonundaki anormallikleri tespit etmek için kullanılırlar – örneğin, chiller arıza yapmak üzere mi?
Sürekli değişkenleri kullanan HVAC sistemleri ve BAS’lar ile ilişkili olduğundan ve münferit değişkenleri kullanmadığından; ML algoritmaları, bir fonksiyona uydurması için bir veri seti verilerek ve sonrasında bu fonksiyonu kullanarak bir tahminleme yapmaları istenerek eğitilirler.
Örnek olarak, Tablo 1’de görülen, bir pompanın performansını öngörmesi için hazırlanmış ML bazlı bir kontrol algoritması verilebilir. Girdiler akış debisini, giriş su sıcaklığını ve fark basıncını içerirken çıktı ise Kilowatt-saat cinsinden pompa enerji tüketimidir. Gerçek dünyayı baz alan doğru girdiler seçildiğinde, bir pompanın yaklaşık enerji tüketimini hesaplayabilecek parametreler oluşturulabilir.
Bir algoritmanın eğitim verileri BAS trendlerinin toplanması ve bu verilerin API yolu ile bulut bazlı çözüme yönlendirilmesi ile oluşturulabilir (Şekil 2).
Şekil 2: Standart bir bina otomasyon sisteminin sağlayabileceği örnek bir zaman bazlı trend grafiği. Veri her 2,5 dakikada bir toplanmıştır.
Algoritmaya yeni verilerin göndermeden ve algoritmaya tahminlemeler yapmasını istemeden önce; algoritmanın performansı eğitim verileri baz alınarak analiz edilmelidir (örneğin fonksiyonun oluşturulması için gönderilen veriler). Genellikle, algoritmadan ilk tahminlemeleri alınmaya başlandığında en az üç senaryo ortaya çıkar (Şekil 3). Şekil 3’ün arka planda baz alınan çok-değişkenli bir fonksiyonu temsil ettiğini ve grafikte gösterilmeyen değişkenler olduğunu unutmayalım.
• Yüksek sapma veya yetersiz öğrenme: Sapma, yüksek seviyede non-lineer bir fonksiyonun lineer bir fonksiyon ile tahminlenmesi sırasında ortaya çıkan hata miktarıdır.
• Yüksek varyans veya aşırı öğrenme: Algoritmanın eğitim datalarından aşırı öğrenmesi sebebiyle ortaya çıkar. Örneğin, gerçekte orada olmayan verileri görme.
• Tam olarak doğru: Algoritma düşük varyans ve düşük sapma ile çalışmasıdır.
Şekil 3: Bir yapay zeka algoritması tarafından yapılan gerçek verinin muhtemel tahminlemelerle karşılaştırıldığı bir örnek.
BAS Metriklerinin Değerlendirilmesi
Potansiyel bir ML kullanımının değerlendirilmesi sırasında, potansiyel performansın değerlendirilmesi ve iddiaları gerçeklerden ayırt edilmesi güç olabilir. Çözüm sunucusunun deneyimini ve uzmanlığını değerlendirmek için bir yaklaşım geçmiş metriklerin örneklerinin talep edilmesi olabilir. Regresyon algoritmasının performansı aşağıdaki metriklerin kullanımı ile tesis edilir:
• Ortalama mutlak hata veya MAE, tahmini değerler ile gerçek değerler arasındaki farkların mutlak toplamına eşittir ve tahminlerin hedeflenenden ne kadar uzakta olduğunun bir göstergesidir. Bu metrik hatanın büyüklüğü le ilgili bir gösterge iken algoritmanın yetersiz öğrenme mi yoksa aşırı öğrenme mi olduğu konusunda bir gösterge değildir.
• Kareli ortalama hatası veya MSE, MAE’ye benzer ve tahminleme hatasının büyüklüğünün göstegesidir.
• Kök ortalama kare hatası veya RMSE, MSE’nin karekökünü alarak hesaplanır ve birimleri çıktı değişkenin birimine geri dönüştürür.
• R-kare metriği uyumun iyiliği konusunda bir göstergedir. R-kare genellikle 0 ve 100 veya 0 ve 1 aralığında gösterilir. Genellikle R-karenin değeri arttıkça, algoritmanın kullandığı modelin gerçek data ile uyumluluğunun daha iyi olduğu anlaşılır.
Yukarıda açıklanan metrikler, aşağıdaki durumlar gerçekleştiğinde daha da kötüleşir:
Yetersiz veri: Bir algoritmanın tahminlerini iyileştirmesi için veriye ihtiyaç duyar, hem de çok sayıda veriye. Ne kadar çok veri görürse, (yukarıda açıklanan) hatalar o kadar azalır. Örnek vermek gerekirse, ML bazlı bir kontrol algoritmasından geçerli tahminlemeler almaya başlamak için, Tablo 1’de açıklanan değişkenlerden en az 10 haftalık bir veriye ihtiyaç vardır. Bu, chiller santralinin gelecekteki çalışması ile ilgili karar vermek için ML bazlı kontrol algoritması kullanmak istendiğinde, chiller santralinin standart işlem sıralamasında çalışıyor olması gerektiğini gösterir.
Aralık dışı veri: ML bazlı algoritmalardan, eğitildikleri veri aralığının dışındaki veriler hakkında tahminleme yapması istendiğinde düşük performanslı sonuçlar alınır. Tablo 1’deki verileri örnek olarak alalım: Pompa hızının en düşük değeri 33 hertz iken en yüksek değeri 58 hertz’dir. Eğer algoritma bu aralık dışında hız değerleri okur ise ve bu değerleri tahminleme yapmakta kullanırsa bu tahminlemeler kesinlikle yanlıştır. Bunun sebebi ML bazlı algoritmaların ekstrapolasyon yapma yeteneği olmamasıdır. Bu durumu telafi etmek için, bu aralık dışı verinin eğitim veri setine dahil edilmesi, algoritmanın yeniden eğitilmesi ve yukarıda bahsedilen metriklerin yeniden analiz edilmesi gereklidir.
Verinin aralık boyunca çok seyrek dağılmış olması: Algoritmalar nispeten küçük aralıklarda ve o aralıklar içerisinde tekrar eden girdileri tercih ederler. Kayda değer miktarda eğitim verisi olsa bile, performans haritasındaki çeşitli oranlardaki eğitim verisinin yoğunluğu yeterli olmayabilir. Hava durumu verilerine dayanan bir algoritma, bu problemle karşı karşıya kalabilir. Dış ortam hava sıcaklığı, nem oranı, rüzgar yönü gibi verilerin kombinasyonu büyük bir veri kümesidir ve mevsimsel etkiye tabiidir.
Hava durumu verileri kullanılarak kış mevsimi ısıtma yüklerinin tahminlenmesine kalkışıldığında, veri toplama prosesi binanın iskan durumundan dahi aksar. Bir bina için bilinçli tahminleme yapabilmek adına bir ML algoritmasına güvenmeden önce, mümkün olan tüm kombinasyonların yeterli yoğunlukta yerleştirilmesinin garanti altına alınması önem taşımaktadır.
Karışıklığa neden olan faktörler adreslenmemiş: HVAC sistemlerinin performansı, bir ML algoritmasının eğitim sürecini zayıflatacak karışıklığa neden olan faktörlerle doludur. Eğitim veri setinin temiz ve sistemin fiziği ile göreceli olarak tutarlı olduğunun garanti altına alınabilmesi için bu faktörlerin göz önünde bulundurulması gereklidir.
Örneğin, bir ML algoritması, uzakta konunmlandırılmış bir Klima santrali soğutma serpantininin, soğuk su besleme sıcaklığını ölçen bir sıcaklık sensörünü girdi olarak aldığında; soğutma serpantinine giriş yapan suyun sıcaklığı santral içerisinde hissedilen değerden geçici olarak fark gösterebilir. Bu durum özellikle sıcaklık ayar noktasındaki bir değişim sonrasında görülür çünkü daha soğuk veya daha sıcak olan suyun boru sisteminden geçip ısı eşanjöründeki ısı transferi gerçekleşip denge sıcaklığına ulaşana kadar belirli bir zaman alması sebebiyle ortaya çıkar. Bu süreç hatalı veri yaratır ve eğitim sürecine zarar verir.
Karışıklığa neden olan faktörler eğitim verisinin, sistem ayar noktalarındakilerin aksine gerçek ölçülmüş veri kullanılması garanti altına alınarak, sensörlerin sistem boyunca anlamlı bir şekilde konuşlandırılması ve veri toplama için mantıklı zaman gecikmelerini de göz önünde bulundurarak azaltılır.
Veri Toplama
Mühendislerin, bina sahiplerinin, tesis müdürlerinin ve bina mühendislerinin bu AI dilinde deneyimli olmadıkları göz önünde bulundurulduğunda başarılı bir ML uygulamasından kimin sorumlu olduğu sorusu akla gelmektedir. BACnet’in BACnet bazlı bir BAS ağının bir parçası olduğunu hatırlayalım. MS/TP ağı ne kadar uzun ise, verinin bulut bazlı çözüm ile arasında transferi o kadar uzun zaman alır. Sorgulamanın minimum frekansını ağ hızı belirlemektedir ve bu frekans belli bir süre içerisinde oluşturulan veri miktarını ciddi miktarda etkiler ve potansiyel karıştırıcı faktör etksini arttırır.
Bu tip bir algoritmanın ilk olarak verinin doğru şekilde eğitildiğini görmesi gereklidir. Eğer veriyi göremez ise ekstrapolasyon yapamaz. Şekil 4 çok değişkenli bir ML fonksiyonunun zaman skalasındaki grafiğini göstermektedir. Çıktı verisinin, grafikte gösterilmeyen arka plandaki başka değişkenlerden etkilendiğini unutmamak gerekir. Sorgulama her beş dakikada bir yapılacak şekilde ayarlandığında, algoritmanın hem çalışacak az verisi olacak hem de değerli veriyi kaçırma potansiyeli artacaktır.
Şekil 4: Sorgulama frekansının düşük olduğu durumlar makina eğitim algoritmasında kullanılan veri sayısını etkileyebileceğini gösteren grafik. Bu grafikte, sorgulama tarafından kaçırılan veriler, yapay zeka algoritmalarının performansını negatif olarak etkileyecek zirve verilerdir.
Şekil 5: BACnet cihazları arasındaki iletişim kablolamasının büyük bir çoğunluğunun Ethernet kablosu ile yapıldığı bir BACnet ağ mimarisi önerisi. Bu yaklaşım sorgulama oranlarındaki dikkate değer miktarda artışı mümkün kılar.
Tamamlanmamış veri riski nasıl azaltılır? Yaygın bir BACnet MS/TP altyapısı olan bir binanın sorgulama süresi her 30 saniyede bir seviyesine düşürülemez. Bu sorunun üstesinden gelme ile ilgili bir alternatif, sorgulama süresini sürekli olarak veri depolayarak ve algoritmaları tüm mevsimler boyunca koruyarak sorgulama süresini mümkün olduğunca düşürmektir.
Yeni bir tasarımda, tamamı BACnet internet iletişim protokolünü baz alan bir ağ kurmak, akıllı bina çözümleri için gerekli olan ağ hızı seviyelerine ulaşmayı mümkün kılabilir (Şekil 5). Yani, kontrol cihazları ile diğer kontrol cihazları veya yönlendiriciler arasındaki kablolamanın Ethernet tipi olması ve MS/TP çift bükümlü kablo olmamasıdır.
Tablo 1: Bir bina otomasyon sisteminden alınan örnek trend verisi. Verilerin girdi ve çıktı olarak düzenlenmesi gereklidir ki bir yapay zeka algoritmasında eğitim gerçekleştirilebilsin.
