A Marylandi Egyetem tanulmánya szerint a mélytanulás, az egyik fejlett mesterséges intelligencia (MI) forma, jelentősen csökkentheti a jövőbeni fűtés, szellőztetés és légkondicionálás (HVAC) rendszerek energiafogyasztását. A kutatást az UMD Környezeti Energia Műszaki Központjában (CEEE) végezték, az AI hatására összpontosítva a változó hűtőközeg-áramú (VRF) rendszer energiafelhasználásának előrejelzésében. Ezt az HVAC technológiát, amely egy kültéri és több beltéri egységből áll, a Glenn L. Martin Hallban tesztelték. Az eredményeiket az International Journal of Refrigeration 2025 januári számában fogják online közzétenni. A HVAC rendszerek a teljes épület villamosenergia-felhasználásának körülbelül felét teszik ki, és a VRF rendszer irányításának optimalizálása pontos energiafogyasztási előrejelzéseken alapul. Az UMD kutatói két MI modellt értékeltek: a hagyományos Mesterséges Neurális Hálót (ANN) és az újabb, adatintenzív Hosszú-Rövid Távú Memória (LSTM) modellt.

Mindkettő adatokat elemez, hogy mintákat ismerjen fel és előrejelzéseket készítsen, de az LSTM több adatot igényel. Meglepetésre az LSTM modell nemcsak pontosabban jósolta meg az energiafogyasztást, de kevesebb számítási kapacitást és memóriát is igényelt, mint az ANN. Po-Ching Hsu, gépészmérnöki hallgató és vezető szerző szerint az ANN modell a pontosság növelése érdekében egy bonyolultabb modell felépítésére törekszik az optimalizálási folyamat során, de még így is elmarad az LSTM-től. A társ-szerzők között van Lei Gao, Ph. D. ’22, aki jelenleg az Oak Ridge Nemzeti Laboratóriumban dolgozik, és Yunho Hwang, gépészmérnöki kutatóprofesszor és a CEEE társigazgatója. Bár az LSTM modell alkalmazása a HVAC technológiában még kutatás alatt áll, a tanulmány arra utal, hogy jelentősen javíthatja az energiahatékonyságot. Az LSTM modellt egy évnyi adatok alapján fejlesztették ki. Hsu hozzátette: „A kihívás most az, hogy elérhetjük-e ugyanezt a pontosságot csupán néhány nap vagy hét adat alapján. ”