Các tòa nhà văn phòng ngày nay rất thông minh và ngày càng trở nên thông minh hơn với sự hỗ trợ của AI – Machine learning và trí tuệ nhân tạo.
Sự gia tăng gần đây của các thiết bị IoT và sự hội tụ của chúng với các công nghệ dựa trên đám mây đang giúp việc tạo dữ liệu về hiệu suất của tòa nhà trở nên dễ dàng hơn – tạo cơ hội chính cho các chủ sở hữu tòa nhà áp dụng AI và ML để đưa ra các quyết định tài chính và vận hành quan trọng.
Các tòa nhà ngày nay đã phát triển thành các hệ thống công nghệ được kết nối phức tạp có thể được vận hành để tối đa hóa hiệu quả như tiết kiệm chi phí hoặc cải thiện năng suất của công nhân và sự thoải mái của người ở.
Các công ty như Siemens, PointGrab, Crestron, Aquicore và những công ty khác đang triển khai AI và ML để đạt được hiệu quả hoạt động nhằm tiết kiệm chi phí năng lượng cho chủ sở hữu tòa nhà hoặc tăng năng suất tại nơi làm việc.
Khi AI tiếp tục thâm nhập vào thị trường, dưới đây là ba cách mà nó có thể được sử dụng để làm cho các tòa nhà thông minh hơn.
Machine Learning là gì ?
Machine Learning liên quan đến việc sử dụng trí thông minh nhân tạo để cung cấp cho hệ thống khả năng tự cải thiện bằng cách quan sát, thu thập dữ liệu và học hỏi từ kinh nghiệm của nó mà không cần được lập trình hoặc hướng dẫn rõ ràng để làm như vậy. Nó cho phép các hệ thống phân tích lượng dữ liệu lớn hơn nhiều và cung cấp kết quả chính xác hơn. Có hai loại AI – Machine learning chính: học có giám sát và học không giám sát.
Nói một cách dễ hiểu, học có giám sát bao gồm việc đào tạo AI bằng cách sử dụng dữ liệu ‘được gắn nhãn’, tức là dữ liệu mà câu trả lời chính xác đã được biết. Ví dụ: nếu bạn muốn đào tạo một AI để quản lý các điều kiện của phòng họp, bạn sẽ dạy nó rằng cần nhiều ánh sáng hơn vào cuối ngày hoặc gọi thêm cà phê từ nhóm quản lý tòa nhà để có một cuộc họp đông người tham dự hơn. Điều này đòi hỏi thời gian và kiến thức chuyên môn đáng kể, nhưng nó đảm bảo thuật toán đưa ra các phán đoán sáng suốt.
Tự tạo lịch trình vận hành cho tòa nhà
Lịch trình cho các hệ thống thiết bị quan trọng, chẳng hạn như ánh sáng và HVAC, thường được thiết lập bởi kỹ sư điều khiển BMS, người đã lắp đặt hệ thống ban đầu hoặc được vận hành thủ công bởi nhân viên tại chỗ.
Dù bằng cách nào, việc thiết lập trong phần lớn các tòa nhà đều không chính xác và tương đối tĩnh ở chỗ lịch trình hiếm khi được phân tích hoặc cập nhật.
Điều này là do các điểm dữ liệu liên quan đến việc xác định mức độ sử dụng là quá phức tạp đối với bất kỳ con người nào, đặc biệt là một nhà điều hành có nhiều trách nhiệm khác. Các nhóm cư dân khác nhau đến vào những thời điểm khác nhau, ở các phần khác nhau của tòa nhà, và đặt các áp lực khác nhau lên hệ thống tòa nhà.
AI – Machine learning có thể lấy hàng nghìn điểm dữ liệu từ việc sử dụng thiết bị và các cảm biến khác nhau để “học” lịch trình thực sự của một tòa nhà. Bằng cách làm mịn các điểm dữ liệu này (một chủ đề yêu cầu toàn bộ bài báo giải thích), công nghệ này có thể cung cấp cho người vận hành thông tin chi tiết về cách thay đổi lịch trình thiết bị để tối đa hóa hiệu quả, do đó giảm chi phí vận hành.
Nếu hành vi của người ở thay đổi, các thuật toán tương tự có thể thông báo cho người điều hành tòa nhà để thực hiện các điều chỉnh cần thiết nhằm duy trì sự thoải mái cho người thuê.
Dự báo những điều có thể xảy ra trong tòa nhà
Một trong những vấn đề với mong muốn tối đa hóa hiệu quả hoạt động mà không cần sự hỗ trợ của công nghệ là số lượng các biến số đang hoạt động. Tỷ lệ lấp đầy, nhiệt độ, lượng mưa, độ ẩm, thậm chí ngày nghỉ có những ảnh hưởng phức tạp và liên quan đến hoạt động của tòa nhà.
Khi nói đến dự đoán nhu cầu của một tòa nhà trong tương lai, ảnh hưởng của các biến này càng trở nên không rõ ràng.
Một lần nữa, các nhà điều hành xây dựng có kinh nghiệm có thể tính toán từng biến theo cách không chính xác, nhưng không thể mong đợi những quyết định này là tối ưu nếu không có những hiểu biết sâu sắc về học máy. Ngay cả khi có dữ liệu chi tiết về từng hệ thống thiết bị trong một tòa nhà, người vận hành vẫn sẽ phải vật lộn để hình thành một phân tích thủ công.
Như một bài tập suy nghĩ, hãy thử dự đoán những điều chỉnh nào sẽ được thực hiện đối với một tòa nhà nhiều gia đình trong hai ngày nếu nhiệt độ được cho là ấm áp bất thường, 50% khả năng có mưa và đó là ngày lễ quốc gia.
Các thuật toán xử lý tình huống này dựa trên dữ liệu lịch sử của cùng một tòa nhà cũng như các tòa nhà tương tự khác để đưa ra dự đoán về nhu cầu hoạt động. Khía cạnh AI – Machine learning có nghĩa là những dự đoán này không ngừng được cải thiện khi các dự báo được so sánh với kết quả. Khi nhiều tòa nhà triển khai thu thập dữ liệu được kết nối với đám mây, các dự đoán càng trở nên chính xác hơn.
Phát hiện bất thường
Cho dù một nhà điều hành thực hiện điều chỉnh lịch trình thiết bị và dự báo nhu cầu vận hành tốt đến đâu, các vấn đề không mong muốn vẫn sẽ phát sinh.
Hệ thống cơ bị hỏng vì một số lý do và các tác động có thể nhận thấy ngay lập tức.
Phát hiện và chẩn đoán lỗi (FDD) không phải là một khái niệm hoàn toàn mới trong các hoạt động xây dựng, nhưng nó đã có lịch sử cụ thể và tĩnh. Điều này có nghĩa là việc theo dõi năng lượng có thể được sử dụng cho một số lỗi nhất định và người vận hành tòa nhà có thể được thông báo bất cứ khi nào phát hiện ra sự cố.
Điều mới mẻ và duy nhất hiện nay có thể thực hiện được do AI – Machine learning là phát hiện lỗi dựa trên tập dữ liệu chưa từng thấy trước đây. Ưu điểm lớn nhất của học máy là nó không giới hạn trong việc lập trình rõ ràng, nó có thể giám sát tất cả các hệ thống thiết bị trong một tòa nhà và phát hiện những điểm bất thường mà con người không thể lập trình trước được.
Khi hệ thống tòa nhà ngày càng trở nên phức tạp hơn và người cư ngụ ngày càng phụ thuộc vào môi trường trong nhà, một loạt các vấn đề không lường trước sẽ xảy ra. Điều quan trọng là có thể nắm bắt được những vấn đề này, ngay cả khi chúng chưa từng xảy ra trước đây.
Chuẩn hóa thời tiết
Như chúng tôi đã đề cập trước đó, thời tiết có ảnh hưởng đáng kể đến nhu cầu vận hành của một tòa nhà. Các nhà điều hành giỏi biết điều này và hành động phù hợp
Nhưng không nhà điều hành nào có thể hy vọng hiểu được các mối quan hệ phức tạp giữa mỗi biến khác nhau. Học máy có thể sử dụng một tập hợp các mô hình thống kê để thực hiện việc này.
Các quyết định điều hành không phải là trắng hay đen, chúng là vấn đề về mức độ. Khả năng bình thường hóa các hoạt động trước tác động của thời tiết cho phép người vận hành so sánh táo với táo và minh bạch thực sự về những gì đang xảy ra theo thời gian.
Tối ưu hóa tiêu thụ năng lượng trong các tòa nhà văn phòng
Cơ quan Thông tin Năng lượng Hoa Kỳ ước tính mức tiêu thụ năng lượng của thế giới có thể tăng 28% vào năm 2040. Theo Viện Nghiên cứu Năng lượng, công nghệ xây dựng là ngành tiêu thụ năng lượng lớn nhất sau giao thông và sản xuất điện. Hệ thống sưởi, làm mát và chiếu sáng trong các tòa nhà dân cư và văn phòng chiếm khoảng 40% năng lượng tiêu thụ.
Khi nói đến việc giảm tiêu thụ năng lượng, các tòa nhà ngày nay chủ yếu dựa vào báo cáo hậu thực tế – về cơ bản là phân tích năng lượng đã được sử dụng và sau đó thực hiện thay đổi với hy vọng rằng sẽ sử dụng ít năng lượng hơn vào lần tới. AI và phân tích dự đoán đang nhanh chóng thay đổi cách tiếp cận này thành một cách chủ động.
Ví dụ, trong trường hợp hệ thống HVAC, việc kiểm soát nhiệt độ phòng về cơ bản cho hệ thống biết cần thổi bao nhiêu không khí lạnh vào một khu vực để giảm nhiệt độ.
Tuy nhiên, nhiều yếu tố khác liên quan đến việc quản lý hoặc tối ưu hóa tải nhiệt HVAC bao gồm hoạt động của con người trong không gian, ánh sáng mặt trời, nhiệt từ thiết bị điện tử và số lượng người ở. Thông tin từ các yếu tố này trước đây không có sẵn giờ đây có thể được thu thập bằng các thiết bị và cảm biến IoT chi phí thấp và được sử dụng để giảm tiêu thụ năng lượng bởi hệ thống HVAC.
Các nền tảng quản lý năng lượng dựa trên AI có thể xác định thời điểm có ít ánh sáng mặt trời hơn hoặc lượng người ở lớn hơn để thổi đúng lượng không khí thích hợp vào phòng dựa trên các yếu tố này. Nó thậm chí có thể xác định thời điểm hợp lý để làm mát trước tòa nhà khi năng lượng ở mức giá cao nhất hoặc giảm làm mát vào những thời điểm có hoạt động thấp dựa trên các mô hình sử dụng.
Bảo trì phòng ngừa trong các tòa nhà văn phòng
Ngoài việc tối ưu hóa hiệu quả năng lượng, AI và ML đặc biệt rất phù hợp để phát hiện các lỗi và hỏng hóc trong hệ thống tòa nhà văn phòng bằng cách xác định các điểm bất thường và không nhất quán trong dữ liệu được thu thập bởi các thiết bị và cảm biến IoT. Sau khi xác định các triệu chứng này, AI có thể được sử dụng để xác định nguyên nhân và đưa ra chẩn đoán.
AI đặc biệt hiệu quả trong việc phát hiện các bất thường về chất và tinh vi hoặc mối quan hệ giữa các thành phần dựa trên dữ liệu mà con người khó lọc do khả năng xem xét lượng lớn dữ liệu có hạn của chúng ta.
Tuy nhiên, cần lưu ý rằng vai trò của AI chủ yếu là thông báo – trực giác và chuyên môn của con người vẫn cần thiết để xác định chính xác hành động tốt nhất cần thực hiện dựa trên đánh giá về sự cố hoặc hỏng hóc.
Cải thiện sự thoải mái của người ở trong các tòa nhà văn phòng
Các nghiên cứu gần đây đã phát hiện ra rằng có một mối liên hệ tích cực giữa sự thoải mái tại nơi làm việc và năng suất của người lao động. Một cuộc khảo sát với gần 136.000 người được hỏi cho thấy rằng những phần quan trọng nhất của không gian làm việc hiệu quả liên quan trực tiếp đến sự thoải mái về thể chất: bàn, ghế và kiểm soát nhiệt độ.
Nhân viên văn phòng mất 1,5 giờ năng suất mỗi ngày do bị phân tâm vì họ đang suy nghĩ về sự khó chịu thay vì tập trung vào nhiệm vụ trước mắt hoặc có thể bắt đầu lãng phí thời gian vào các hành vi để đối phó với nỗi đau của họ. Dù bằng cách nào, vấn đề này khiến các doanh nghiệp lớn và khách thuê văn phòng mất hàng triệu đô la mỗi năm trong việc giảm năng suất.
Các ứng dụng di động và thiết bị đeo được đang giải quyết vấn đề bằng cách cho phép người cư ngụ kết nối trực tiếp với các nhà điều hành tòa nhà. Giờ đây, chủ sở hữu tòa nhà có thể trực tiếp hiểu cách những người cư ngụ đang sử dụng tòa nhà và đánh giá mức độ thoải mái của họ thông qua phản hồi trực tiếp của người thuê.
Dữ liệu thu thập được từ các thiết bị này có thể được thêm vào dưới dạng các biến cho AI để xây dựng các mô hình nâng cao về cách một tòa nhà hoạt động để đạt được năng suất công nhân cao hơn, về lâu dài, dẫn đến việc giữ chân người thuê và các lợi ích khác cho chủ sở hữu tòa nhà.