مطالعه‌ای از دانشگاه مریلند نشان می‌دهد که یادگیری عمیق، که نوعی پیشرفته از هوش مصنوعی (AI) است، می‌تواند به طور قابل توجهی مصرف انرژی در سیستم‌های آینده گرمایش، تهویه و تهویه مطبوع (HVAC) را کاهش دهد. این تحقیق که در مرکز مهندسی انرژی محیطی UMD (CEEE) انجام شد، بر تأثیر هوش مصنوعی در پیش‌بینی مصرف برق در یک سیستم جریان متغیر مبرد (VRF) تمرکز داشت. این فناوری خاص HVAC، که شامل یک واحد خارجی و چند واحد داخلی است، در سالن گلن ال. مارتین آزمایش شد. یافته‌های آن‌ها در ژانویه ۲۰۲۵ به صورت آنلاین در مجله بین‌المللی تبرید منتشر خواهد شد. سیستم‌های HVAC حدود نیمی از مصرف برق یک ساختمان را به خود اختصاص می‌دهند و بهینه‌سازی کنترل یک سیستم VRF به پیش‌بینی دقیق مصرف برق وابسته است. محققان UMD دو مدل هوش مصنوعی را ارزیابی کردند: شبکه عصبی مصنوعی (ANN) سنتی و مدل جدیدتر و مبتنی بر داده‌های سنگین‌تر حافظه طولانی-کوتاه مدت (LSTM).

هر دو مدل داده‌ها را تحلیل کرده تا الگوهایی را شناسایی کرده و پیش‌بینی کنند، اما LSTM نیازمند داده‌های بیشتری است. به طور غیرمنتظره‌ای، مدل LSTM نه تنها مصرف برق را با دقت بیشتری پیش‌بینی کرد بلکه نیاز به توان محاسباتی و حافظه کمتری نسبت به ANN داشت. به گفته پو-چینگ هسو، دانشجوی کارشناسی ارشد مهندسی مکانیک و نویسنده اصلی، مدل ANN تلاش می‌کند تا با ساختن مدلی پیچیده‌تر در طول فرآیند بهینه‌سازی دقت را افزایش دهد، اما همچنان در مقایسه با LSTM ناکام است. از دیگر نویسندگان می‌توان به لی گائو دکترای ’۲۲، که اکنون در آزمایشگاه ملی اوک ریج فعالیت می‌کند، و یونهو هوانگ، استاد تحقیقاتی مهندسی مکانیک و مدیر مشترک CEEE اشاره کرد. هرچند استفاده از مدل LSTM در فناوری HVAC هنوز در حال بررسی است، این مطالعه نشان می‌دهد که ممکن است به طور چشمگیری کارایی انرژی را افزایش دهد. مدل LSTM با استفاده از داده‌های یک ساله توسعه یافته است. هسو افزود، "چالش اکنون این است که تعیین کنیم آیا می‌توانیم با تنها چند روز یا هفته داده به همان دقت دست یابیم. "