Une étude de l'Université du Maryland suggère que le deep learning, une forme sophistiquée d'intelligence artificielle (IA), pourrait réduire considérablement la consommation d'énergie des futurs systèmes de chauffage, ventilation et climatisation (CVC). La recherche, menée au Centre pour l'ingénierie de l'énergie environnementale (CEEE) de l'UMD, s'est concentrée sur l'impact de l'IA sur la prévision de l'utilisation de l'énergie dans un système à débit de réfrigérant variable (VRF). Cette technologie CVC particulière, composée d'une unité extérieure et de plusieurs unités intérieures, a été testée dans le Glenn L. Martin Hall. Leurs résultats seront publiés en ligne dans le numéro de janvier 2025 de l'International Journal of Refrigeration. Les systèmes CVC représentent environ la moitié de la consommation d'électricité d'un bâtiment, et l'optimisation du contrôle d'un système VRF dépend de prévisions précises de la consommation énergétique. Les chercheurs de l'UMD ont évalué deux modèles d'IA : le réseau neuronal artificiel traditionnel (ANN) et le modèle plus récent, et intense en données, Long-Short-Term Memory (LSTM). Les deux analysent des données pour reconnaître des motifs et faire des prédictions, mais LSTM nécessite plus de données. De manière inattendue, le modèle LSTM n'a pas seulement prédit la consommation d'énergie plus précisément, mais a également exigé moins de puissance de calcul et de mémoire que l'ANN.

Selon Po-Ching Hsu, étudiant diplômé en ingénierie mécanique et auteur principal, le modèle ANN tente d'améliorer la précision en construisant un modèle plus complexe durant le processus d'optimisation mais reste inférieur au LSTM. Les co-auteurs incluent Lei Gao, Ph. D. ’22, maintenant au Oak Ridge National Laboratory, et Yunho Hwang, professeur chercheur en ingénierie mécanique et co-directeur du CEEE. Bien que l'application du modèle LSTM dans la technologie CVC soit encore en exploration, cette étude indique qu'il pourrait améliorer significativement l'efficacité énergétique. Le modèle LSTM a été développé à partir de données recueillies sur un an. Hsu a ajouté, « Le défi maintenant est de déterminer si nous pouvons obtenir la même précision avec seulement quelques jours ou semaines de données. »