Усъвършенствани AI енергийни алгоритми: обяснение на оптимизациите на интелигентния инвертор

Инверторният компресор преобрази портативното климатизиране, като замени двоичната работа включено-изключено с управление с променлива скорост. Алгоритъмът за интелигентен инвертор — софтуерният слой, работещ върху този хардуер с променлива скорост — е допълнителна еволюция, която определя колко интелигентно се използва хардуерът. Съвременните оптимизации на алгоритми за интелигентен инвертор във висок клас портативни сплит климатици използват прогнозно термично моделиране, регулиране на търсенето въз основа на присъствие и самообучаващо се разпознаване на модели на употреба, за да намалят потреблението на енергия отвъд това, което постига инверторна работа с фиксирана зададена стойност. Разбирането на това как всъщност функционират тези контролни контури отличава продуктите със съществено алгоритмично съдържание от тези, които използват думата „интелигентен“ като маркетингов етикет без измеримо въздействие върху производителността.

Какво представлява алгоритъмът за интелигентен инвертор в портативен сплит климатик?

Алгоритъмът за интелигентен инвертор е контролният софтуер, който определя скоростта на въртене на компресора и отварянето на електронния разширителен клапан във всеки момент от охлаждащия цикъл в отговор на измерени входни данни, включително стайна температура, температура на изпарителната серпентина, външна температура на околната среда, сигнали за присъствие и исторически модели на употреба. Стандартното инверторно управление използва PID контур (пропорционален-интегрален-диференциален: алгоритъм за обратна връзка, който регулира изхода въз основа на текущата грешка, натрупаната минала грешка и скоростта на промяна на грешката); интелигентните алгоритми допълват това с прогнозни модели, които предвиждат промени в термичното търсене, преди да настъпят, намалявайки загубите на енергия от превишаване и недостигане.

Разграничението между реактивен и прогнозен контрол става значимо в рамките на времевите мащаби на пълна охлаждаща сесия. Реактивен PID контролер реагира на температурни отклонения, които вече са настъпили, като неизбежно изразходва част от всеки цикъл в преследване на превишения с висока скорост на компресора. Прогнозен алгоритъм изчислява очакваната стайна температура 10–30 минути напред, използвайки термичен модел, калибриран за конкретното помещение, след което регулира скоростта на компресора прогресивно, преди да настъпи каквото и да е отклонение — достигайки зададената стойност с почти нулево превишаване и поддържайки я с минимална коригираща енергия.

С какво прогнозният контрол на натоварването се различава от стандартното циклиране на термостата?

Стандартното циклиране на термостата включва компресора напълно, когато стайната температура се повиши над зададената стойност с хистерезисна лента — обикновено 0,5–1°C — и го изключва, когато тя се върне към зададената стойност. Прогнозният контрол на натоварването изчислява очакваната термична траектория на помещението през следващите 10–30 минути въз основа на исторически криви на затихване, калибрирани за конкретното помещение и текущите външни условия, след което намалява прогресивно скоростта на компресора, докато помещението се приближава към зададената стойност — достигайки я с нулево превишаване и поддържайки зададената стойност при стабилна ниска скорост на компресора, а не чрез повтарящи се цикли включено-изключено.

Независими тестове, публикувани от европейски институти за енергийни изследвания върху интелигентни спрямо стандартни инверторни устройства, показват, че прогнозният контрол намалява средната скорост на компресора с 8–15% в режим на поддържане в стационарно състояние, което се превежда в 5–12% намаление на потреблението на електроенергия за еквивалентен термичен комфорт. Икономията е най-голяма в помещения с висока термична маса — каменна или бетонна конструкция, тежко обзавеждане — където термичното изоставане между действието на компресора и реакцията на температурата на въздуха е най-дълго, създавайки най-голямото реактивно превишаване при стандартен PID контрол.

Какво допринася засичането на присъствие за ефективността на инверторния алгоритъм?

Засичането на присъствие позволява на интелигентния алгоритъм да намали търсенето на охлаждане, когато помещението е незаето — влизайки в режим на задържане с понижаване при по-висока температура — и да охлади предварително помещението преди очаквано повторно заемане въз основа на научени модели на употреба. Данните от полево енергийно наблюдение от европейски инсталации за интелигентни домове показват, че алгоритмите с отчитане на присъствие постигат 15–25% намаление на енергията спрямо контрол с постоянно включена зададена стойност в жилищни спални с типични 16-часови дневни цикли на заемане.

Съвременните портативни сплит климатици реализират засичане на присъствие чрез три основни метода. Пасивно инфрачервено засичане (PIR: сензор, който открива инфрачервеното излъчване, излъчвано от топли тела, движещи се в неговото зрително поле) е най-разпространеното, но пропуска неподвижни обитатели като спящи или работещи на бюро хора. Ултразвуковите сензори откриват вибрациите от дишането на неподвижни обитатели и са по-надеждни, но добавят производствена цена. Извеждането на присъствие чрез Wi-Fi или Bluetooth от състоянието на връзка на смартфона работи на ниво домакинство, но не може да различи кое помещение е заето — полезно за понижаване в целия дом, но не за контрол на ниво помещение.

Граничният случай на ръчно отменяне: когато научените модели противоречат на намерението на потребителя

Самообучаващите се алгоритми, които изграждат модел от историята на употреба, понякога влизат в конфликт с преднамерени еднократни потребителски отменяния. Документиран модел в общности на собственици: алгоритъмът е научил зададена стойност 24°C за делнични дни през деня; собственикът задава 21°C за гост. Някои реализации тълкуват това като временно отклонение и се връщат към 24°C след 6–12 часа, объркват гостите и изискват повтарящи се ръчни нулирания. По-сложните реализации разграничават еднократно отменяне от устойчиво ново предпочитание, като актуализират научения модел след два или три дни последователно ново въвеждане. Проверката на потребителските отзиви или документацията на производителя за поведението при обработка на отменяне преди покупка избягва това разочарование, особено в домакинства с променливи модели на заемане.

Как самообучаващите се модели на употреба намаляват потреблението на енергия с течение на времето?

Самообучаващите се алгоритми изграждат статистически модел на времето на заемане на помещението, предпочитанията на обитателите за зададена стойност във всеки час и термичната реакция на помещението спрямо външната температура и слънчевото натрупване в продължение на няколко дни наблюдение. Като предвижда, вместо да реагира на промени в търсенето, алгоритъмът поддържа комфорт с по-ниски пикови скорости на компресора, намалявайки средното потребление на електроенергия с 10–20% спрямо интелигентен термостат с фиксиран график, контролиращ идентичен инверторен хардуер.

Периодът на обучение обикновено е 7–14 дни, преди алгоритъмът да има достатъчно данни за смислена оптимизация. По време на тази фаза устройството работи в стандартен инверторен режим. След завършване на периода на обучение собствениците често забелязват субективно затихване на устройството — алгоритъмът е научил да забавя компресора по-рано, вместо да коригира късно с високоскоростна работа. Това субективно преживяване корелира с измерими намаления на часовете на високоскоростна работа на компресора, документирани в бележките за приложение на производителя за премиум платформи за инверторен контрол.

Каква икономия на енергия всъщност осигуряват оптимизациите на алгоритъма за интелигентен инвертор?

Публикувани от производителя и независими сравнителни тестове последователно показват, че оптимизациите на алгоритъма за интелигентен инвертор осигуряват 12–22% икономия на енергия спрямо стандартен инвертор с фиксирана зададена стойност с идентичен хардуер при еквивалентни условия. Икономията идва от работа на същия компресор при по-ниска средна скорост с по-малко високоскоростни коригиращи събития — а не от каквото и да е хардуерно подобрение. Реалната икономия зависи от типа помещение, редовността на модела на употреба, местния климат и качеството на реализация на алгоритъма.

При европейски цени на електроенергията от €0,30/kWh, портативен сплит от 9 000 BTU, работещ 8 часа на ден в продължение на 90 летни дни, струва приблизително €65 на сезон при стандартна инверторна работа, еквивалентна на SEER 3.5. С оптимизации на интелигентния алгоритъм, постигащи 15% намаление на потреблението, еквивалентният комфорт струва приблизително €55 — €10 сезонна икономия. За десет години това представлява €100 директна икономия на електроенергия, плюс намалени часове на високоскоростна работа на компресора, допринасящи за удължен жизнен цикъл на компонентите. Икономическият аргумент значително се засилва, тъй като европейските тарифи за електроенергия продължават да нарастват.

Как интелигентният алгоритъм взаимодейства директно с хладилния контур?

Основният физически изпълнителен механизъм на интелигентния алгоритъм е EEV (Електронен разширителен клапан: моторизиран клапан в хладилния контур, чийто ъгъл на отваряне контролира дебита на хладилния агент през изпарителя, определяйки както охлаждащия капацитет, така и температурата на прегряване на изпарителя). Като регулира отварянето на EEV в координация със скоростта на компресора, алгоритъмът поддържа оптимално прегряване — температурния марж над точката на кипене на изпарителя, обикновено 5–10 K — при различни условия на натоварване, предотвратявайки както наводняване с хладилен агент, така и прекомерно прегряване, което намалява ефективността на цикъла.

Стандартните инверторни контроли регулират позицията на EEV реактивно в отговор на измереното прегряване. Интелигентните алгоритми предварително позиционират EEV въз основа на прогнозирани промени в натоварването, намалявайки преходните отклонения на прегряване по време на бързи повишавания на скоростта на компресора. Това е най-значимо по време на сутрешното понижаване, когато скоростта на компресора се увеличава от ниските нива на нощния режим до пълния дневен охлаждащ товар — операция, при която конвенционалният контрол на прегряването може да причини временно наводняване на изпарителя, което намалява ефективното охлаждане за 5–10 минути след повишаването. Интелигентното предварително позициониране на EEV елиминира по-голямата част от тази преходна загуба на ефективност.

Инженерният детайл, който повечето маркетинг на интелигентни климатици пренебрегва, е координацията на EEV. Тъп инвертор просто променя скоростта на компресора и оставя EEV да навакса реактивно; истински интелигентен алгоритъм премества EEV преди промяната на скоростта въз основа на термична прогноза. Това разграничение е това, което отличава устройствата, обозначени като интелигентни, от устройствата, които всъщност са ефективни по време на преходни състояния.

Могат ли интелигентните алгоритми да компенсират лошо уплътняване на помещението или инсталационни дефекти?

Не. Интелигентните алгоритми оптимизират работата на хладилния контур в рамките на физическите ограничения на помещението. Те не могат да компенсират топлина, влизаща в помещението по-бързо, отколкото системата може да я отстрани. Помещение със значителна инфилтрация на въздух, неизолирани стени или директно слънчево натрупване върху незасенчено остъкляване с южно изложение ще принуди алгоритъма да заявява максимална скорост на компресора непрекъснато — при което интелигентният контрол не осигурява предимство спрямо стандартен инвертор, защото няма режим на частично натоварване за оптимизиране.

Правилната йерархия на интервенциите е: първо, подобряване на сградната обвивка (изолация, уплътняване срещу течение, слънчево засенчване); второ, правилно оразмеряване на устройството за помещението; трето, избор на инвертор с висок SEER; четвърто, извличане на полза от оптимизациите на интелигентния алгоритъм. Интелигентните алгоритми осигуряват максимална стойност в добре уплътнени помещения, обслужвани от правилно оразмерени устройства с висок SEER — условията, при които термичното натоварване е стабилно, режимът на частично натоварване доминира и алгоритъмът има оперативния запас за оптимизиране. Правилното установяване на основите първо прави приноса на интелигентния алгоритъм напълно реализируем.

Премиум портативни сплит устройства с проверен прогнозен контрол, засичане на присъствие и възможност за самообучение — както и хардуерът с висок SEER, който да обоснове инвестицията в алгоритъма — са в ограничено предлагане в цяла Европа, особено от водещи японски и южнокорейски марки за HVAC.