מודלים היברידיים פרקטיים של ידע-נתונים לחיזוי עומס קירור ליום הבא תחת מחסור בנתונים: מקרה בוחן ואימות ביצועים

למה חיזוי קירור בבניינים חשוב

כשהערים מתרחבות וגלי חום נעשים תכופים יותר, בנייני משרדים גדולים מסתמכים במידה רבה על מערכת מיזוג האוויר. ידיעה מוקדמת של דרישת הקירור למחר מסייעת למפעילי הבניין לרכוש חשמל בחוכמה, להפעיל את הצ'ילרים ביעילות ולתמוך ברשת חשמל שמשלבת יותר סולארי ורוח. יחד עם זאת, בניינים חדשים והיעילים ביותר לרוב מצטמצמים בחומרי נתונים מהחודשים הראשונים של הפעולה, מה שמקשה על כלים סטנדרטיים של בינה מלאכותית לצפות את צרכי הקירור באופן אמין.

אתגר המחסור בנתונים

כלי חיזוי רבים היום מתייחסים לבניין כקופסה שחורה. הם מזינים צריכת אנרגיה קודמת, מזג אויר ולוחות זמנים, ונותנים לאלגוריתם ללמוד תבניות. מודלים רעבי-נתונים כאלה יכולים לעבוד היטב כשיש שנים של רשומות איכותיות. אך בבניין חדש או שעבר שיפוץ, קיימת רק היסטוריה קצרה. בתנאים אלה, מודלים מבוססי-נתונים נטו נוטים להיצמד למאפיינים מקריים בנתונים המוגבלים, לפספס קפיצות פתאומיות בדרישה ולתת תחזיות המשתנות רבות מיום ליום. זה בעייתי במיוחד לתכנון יום-מראש, כאשר המפעילים צריכים לתזמן ציוד קירור ולפעול מול שוק החשמל 24 שעות מראש.

שילוב פיזיקה פשוטה עם למידה מודרנית

המחקר מציג דרך מעשית באמצע בין סימולציות פיזיקליות מפורטות לכריית נתונים טהורה. במקום לנסות למודל כל מקור חום בבניין, המחברים מתמקדים בשני מרכיבים שניתן לחשב מתוך מידע שרוב הבניינים כבר מחזיקים: החום שנכנס עם האוויר החיצוני והחום הדולף דרך קירות החלונות והקירות. באמצעות נוסחאות בסיסיות של העברת חום הם ממירים תחזיות מזג אוויר, מאפייני הזכוכית ולוחות זמנים של אוורור להערכות גסות והגיוניות פיזיקלית של העומסים הללו. הערכות אלה אינן מחליפות מדידות של דרישת הקירור, אלא מתווספות כקלטים נוספים שמנחים מודל למידת עומק המשלב שכבות קונבולוציה ורקורסיה.

בדיקת הרעיון ההיברידי במגדל משרדים אמיתי

השיטה נבחנה על בניין משרדים בן 23 קומות בהנגג'ו, סין, עם חזית זכוכית מודרנית ומערכת קירור מרכזית. החוקרים השתמשו בעונה אחת של נתוני שעות קירור, כ-4,300 שעות בסך הכל, ואז הגבילו באופן מלאכותי כמה מההיסטוריה הזו כל מודל יכול לצפות בזמן אימון. במבחנים מסוימים יכלו המודלים ללמוד רק מ-10% מהנתונים, המקבילים קצת יותר לשבועיים של רשומות. בארבע גרסאות של החיזוי, שלוש השתמשו בעומסי אוויר טרי או עומסי קירות וחלונות מבוססי פיזיקה כאותות מנחים, בעוד הרביעי הסתמך רק על קירור ועומסי מזג אויר קודמים. כל המודלים ניסו לחזות את פרופיל הקירור של היום הבא שעה אחר שעה.

תחזיות מדויקות ויציבות יותר

כאשר נתוני האימון היו מצומצמים, ההבדלים בין הגישות היו ברורים מאוד. עם רק 10% מהנתונים הזמינים, המודל המבוסס-נתונים לעתים קרובות פספס את העלייה החד בבוקר של הקירור עם הגעת העובדים והתת-אומד שיאים חמים באחר-הצהריים. שגיאותיו השתנו במידה רבה בהתאם לאילו ימים שימשו לאימון. לעומת זאת, כל שלוש הגרסאות ההיברידיות עקבו מקרוב אחר מועד וגובה השיאים והראו הרבה פחות פיזור בשגיאותיהן. בממוצע, המודלים ההיברידיים קיצצו את שגיאת החיזוי הטיפוסית בכ-50% והקטינו את פיזור השגיאות בכמעט סדר גודל בהשוואה לקו הבסיס. הווריאנט הפשוט ביותר, שהשתמש אך ורק בעומס אוויר טרי כמידע נוסף, הציע איזון אטרקטיבי של דיוק, יציבות ופשטות בהגדרה.

מה המשמעות הזו לבניינים אמיתיים

לבעלי בניינים ולמנהלי אנרגיה, המסר המרכזי הוא שכמה פיזיקה פשוטה עושים דרך ארוכה. על ידי שילוב הערכות פשוטות וקלות לחישוב של איך אוויר טרי וציפוי הבניין מוסיפים לצרכי הקירור לתוך מודל למידה, ניתן לקבל תחזיות מועילות ליום-מחר גם בחודשים הראשונים של הפעולה, כאשר הנתונים ההיסטוריים עדיין דלים. המחקר מראה שגישת הידע-נתונים ההיברידית יכולה לרסן התאמה יתר, לשמור על עלויות אימון נמוכות ולספק הנחיה אמינה לתזמון צ'ילרים ואחסון. במילים פשוטות, שילוב תובנה הנדסית בסיסית עם כלי נתונים מודרניים עוזר לשמור על נוחות, להפחית בזבוז ולשתף פעולה בצורה חלקה יותר עם רשת חשמל בשינוי.

ציטוט: Chen, J., Sun, T., Zhang, Y. et al. Deployable knowledge–data hybrid models for day-ahead cooling load prediction under data scarcity: a case study and performance validation. Sci Rep 16, 15079 (2026). https://doi.org/10.1038/s41598-026-45325-3

מילות מפתח: חיזוי עומס קירור, אנרגיית בניין, מידול היברידי, מחסור בנתונים, למידת עומק