Een studie van de Universiteit van Maryland suggereert dat deep learning, een geavanceerde vorm van kunstmatige intelligentie (AI), het energieverbruik in toekomstige verwarmings-, ventilatie- en airconditioningsystemen (HVAC) aanzienlijk zou kunnen verminderen. Het onderzoek, uitgevoerd aan het Center for Environmental Energy Engineering (CEEE) van UMD, richtte zich op de impact van AI bij het voorspellen van stroomgebruik in een variabel koelmiddelstroomsysteem (VRF). Deze specifieke HVAC-technologie, met een buiten- en meerdere binnenunits, werd getest in Glenn L. Martin Hall. Hun bevindingen worden online gepubliceerd in het januarinummer van 2025 van het International Journal of Refrigeration. HVAC-systemen zijn goed voor ongeveer de helft van het elektriciteitsverbruik van een gebouw, en het optimaliseren van de regeling van een VRF-systeem hangt af van nauwkeurige voorspellingen van het stroomverbruik. De UMD-onderzoekers evalueerden twee AI-modellen: het traditionele kunstmatige neuraal netwerk (ANN) en het nieuwere, data-intensieve Long-Short-Term Memory (LSTM)-model.

Beide analyseren data om patronen te herkennen en voorspellingen te doen, maar LSTM vereist meer data. Onverwacht voorspelde het LSTM-model niet alleen het stroomverbruik nauwkeuriger, maar vereiste het ook minder rekenkracht en geheugen dan ANN. Volgens Po-Ching Hsu, werktuigbouwkundig ingenieurstudent en hoofdauteur, probeert het ANN-model de nauwkeurigheid te vergroten door een complexer model te construeren tijdens het optimalisatieproces, maar het blijft achter bij het LSTM. Co-auteurs zijn onder andere Lei Gao Ph. D. '22, nu werkzaam bij Oak Ridge National Laboratory, en Yunho Hwang, hoogleraar werktuigbouwkunde en CEEE mede-directeur. Hoewel de toepassing van het LSTM-model in HVAC-technologie nog wordt onderzocht, geeft deze studie aan dat het de energie-efficiëntie aanzienlijk zou kunnen verbeteren. Het LSTM-model is ontwikkeld met behulp van een jaar aan data. Hsu voegde toe: "De uitdaging nu is om te bepalen of we dezelfde nauwkeurigheid kunnen bereiken met slechts enkele dagen of weken aan data. "