Making smart thermostats more efficient

建筑占美国能源消耗的40%左右，二氧化碳排放量占全球的三分之一。提高建筑能效不仅是一项节省成本的措施，也是减缓气候变化的关键战略。因此，“智能”建筑的兴起，逐渐成为世界各地的标准。

智能建筑自动化系统，如供暖、通风和空调(HVAC);照明;电;和安全。自动化需要感觉数据，如室内和室外的温度和湿度、二氧化碳浓度和占用状态。智能建筑结合各种技术利用数据，从而提高建筑的能源效率。

由于暖通空调系统占建筑能耗的近一半，智能建筑使用智能恒温器，它可以自动控制暖通空调，并了解建筑居住者的温度偏好。

在《应用能源》杂志上发表的一篇论文中，来自麻省理工学院信息与决策系统实验室(LIDS)的研究人员与Skoltech的科学家合作，设计了一种新型智能恒温器，它使用数据高效算法，可以在一周内了解最佳温度阈值。

数据、系统和社会研究所(IDSS)主任、电子工程和计算机科学教授Munther Dahleh说:“尽管最近物联网技术和数据分析取得了进展，但智能建筑的实施受到了建筑物中耗时的数据采集过程的阻碍。”智能恒温器算法使用建筑数据来学习如何最佳地操作，但数据可能需要几个月的时间来收集。

为了加快学习过程，研究人员使用了一种叫做“流形学习”的方法，在这种方法中，复杂的“高维”函数用更简单、更低维的“流形”函数表示。通过利用多种学习和构建热力学的知识，研究人员用一套“阈值”策略取代了通用的控制方法，这种方法可以有很多参数，而每一种“阈值”策略都有更少、更可解释的参数。用于学习最优流形的算法需要更少的数据，因此它们的数据效率更高。

为恒温器开发的算法采用了一种称为强化学习(RL)的方法，这是一种数据驱动的顺序决策和控制方法，近年来，这种方法因掌握西洋双陆棋(backgammon)和围棋(Go)等游戏而备受关注。

“我们有高效的计算机游戏模拟引擎，可以为RL算法生成丰富的数据，以学习良好的游戏策略，”LIDS的博士后、论文第一作者阿什坎·哈吉·霍塞因卢(Ashkan Haji Hosseinloo)说。“然而，我们没有奢侈的大数据来控制建筑内的微气候。”

Hosseinloo拥有机械工程背景和RL等方法的培训，可以将统计学和最先进计算的见解应用到现实世界的物理系统中。他说:“我的主要动机是通过提高这些系统的效率来减缓甚至预防能源和环境危机。”

智能恒温器的新RL算法是“事件触发”的，这意味着它们只在特定事件发生时做出决定，而不是按照预先确定的时间表。这些“事件”是由达到某一阈值的特定条件定义的——例如房间内的温度下降到最佳范围之外。Hosseinloo说:“这可以减少学习更新的频率，并使我们的算法在计算上更便宜。”

计算能力是学习算法的一个潜在约束，而计算资源取决于算法是在云中运行还是在设备本身上运行——比如智能恒温器。Hosseinloo说:“我们需要学习运算效率和数据效率都很高的算法。”

节能建筑除了减少排放和降低成本之外还有其他好处。建筑的“小气候”和空气质量可以直接影响建筑居住者的生产力和决策绩效。考虑到许多大规模的经济、环境和社会影响，微气候控制已经成为政府、建筑管理者、甚至房主的重要问题。

“新一代智能建筑旨在从数据中学习如何在最少的用户干预下自主操作，”该合作项目Skoltech方面的教授、合著者Henni Ouerdane说。“学习型恒温器有可能学会如何与其他暖通空调设备协调，或基于其对电费的预测来调整设定值温度，从而节省能源和成本。”

Hosseinloo还认为，他们的方法和算法适用于机器人、自动驾驶汽车和交通运输等领域的其他基于物理的控制问题，在这些领域，数据和计算效率至关重要。

这项研究是Skoltech-MIT的联合项目，是MIT Skoltech下一代计划的一部分。