Forskningspapir - Multi-Modale Vertikale Energi AI-agenter
18. des. 2024
Vårt første forskningspapir
Hos Qubit Energy jobber vi for å oppnå vår visjon; bærekraft for menneskeheten. For å nå det målet har vi satt vår misjon til å akselerere elektrifiseringen av samfunnet. I dag, med hjelp av AI, kan vi oppnå mange av våre mål raskere. Selv om det i skjæringspunktet mellom energi, AI og bygg er mange utfordringer, ukjente stier og mangel på data. Vårt arbeid er derfor forskningsbasert. I vårt laboratorium jobber vi med noen av de mest banebrytende og nyskapende løsningene over hele verden. En av dem er Vertikale AI-agenter.
Multi-Modal Vertikale Energi AI-agenter
AI-agenter viser seg å være stor assistanse i mange sektorer. Vi ønsket å forske på hvordan de kan gi verdi i energioptimalisering for bygninger. Vi er fortsatt veldig tidlig i vårt arbeid, men for å oppnå vår visjon og misjon har vi valgt å være åpne og dele våre funn og kunnskaper med verden. Vi er derfor spente på å publisere vårt aller første forskningspapir. Du kan få tilgang til det gratis her:
https://drive.google.com/file/d/1u5VRHlt4iTEwRT9L7M05EL29uJ1k2HM9/view?usp=sharing
——-
Abstract—Energieoptimalisering i bygninger er en kritisk utfordring i å fremme bærekraftig urban utvikling. Denne forskningen introduserer et nytt AI-agent system designet for å optimalisere energiforbruket i bygninger ved å utnytte historiske energidata, eksterne variabler som vær, priser og sentimentale data. AI-agenten hjelper bygningsledere med å oppnå energieffektivitet ved å forutsi forhold og justere energibruken dynamisk. Sentralt i dette systemet er en kjerne-modul bygget på vår Virtual Power Plant (VPP) plattform, som integrerer minnemoduler, eksterne ressursforbindelser og en robust planleggingsmodul. Dette papiret skisserer arkitekturen, metodene og de innledende resultatene, som viser betydelig potensial i å redusere energiforbruket og forbedre byggenergiadministrasjonssystemer (BEMS).
INNLEDNING
Energi forbruket i bygninger står for omtrent 40% av det globale energiforbruket, med oppvarming, ventilasjon og klimaanlegg (HVAC) systemer som primære bidragsytere. Tradisjonelle energistyringssystemer tar ofte ikke hensyn til dynamiske eksterne og interne faktorer, noe som fører til ineffektivitet. Denne forskningen utforsker distribusjonen av spesialiserte vertikale AI-agenter som er i stand til å analysere historiske data, oppdage mønstre, og integrere eksterne variabler for å forutsi og optimalisere energibruken i sanntid. Disse agentene er designet for spesifikke bygningsoperasjoner, som HVAC-optimalisering, belysningskontroll, og energilagringsadministrasjon, og gir en modulær og målrettet tilnærming til energieffektivitet. Vi foreslår et modulært AI-system designet for å fungere som en intelligent assistent for bygningsledere. Dette systemet kjører på Qubit OS, vår operativsysteminfrastrukturplattform med big data kapabiliteter for LLM-er og dype læringsnevrale nettverk. Qubit OS er en banebrytende modell fordi dens LLM ikke bare er tekstbasert, men også mer intelligent på grunn av tilkoblede sensorer fra forskjellige typer IoT-enheter. I tillegg integrerer vi Retrieval-Augmented Generation (RAG) i modellen.
Retrieval-Augmented Generation (RAG): RAG er en hybridtilnærming som kombinerer forhåndstrente språkmodeller (LLM-er) med eksterne kunnskapshentingssystemer. I stedet for å stole utelukkende på den interne kunnskapen til LLM, henter RAG relevant data fra historiske poster eller eksterne databaser, noe som forbedrer nøyaktigheten og relevansen til de genererte utgangene. I vårt system gjør RAG at AI kan hente sanntidsinnsikter fra IoT-data, væroppdateringer og historiske energiforbruksmønstre. Ved å integrere denne teknologien kan modellen gjøre kontekstbevisste spådommer og foreslå optimaliserte planleggingshandlinger dynamisk, basert på de nyeste tilgjengelige dataene. Denne evnen er spesielt verdifull i energifleksibilitetsmoduler, hvor presise anbefalinger krever sanntidsinformasjon. Dette systemet utnytter de grunnleggende kapasitetene til en Virtual Power Plant (VPP) plattform, og utvider nytteverdien til energioptimalisering innen bygninger.
II. RELATERT ARBEID
2.1 Bygningsenergiadministrasjonssystemer (BEMS) Eksisterende BEMS fokuserer primært på statiske regelbaserte kontrollsystemer. Imidlertid mangler disse systemene tilpasningsevne til dynamiske eksterne variabler som vær eller energipriser.
2.2 AI i Energieoptimalisering Nyere fremskritt innen AI har introdusert maskinlæringsmodeller for å forutsi energibruks mønstre. Likevel forblir integrasjonen med eksterne faktorer som sanntids værdata og markedsforhold underutviklet.
2.3 Virtuelle kraftverk (VPP-er) VPP-er sammenfanger distribuerte energikilder for å optimalisere energidistribusjonen. Vår forskning utvider dette konseptet, og bruker VPP-er som et operativt system for lokalisert energioptimalisering i bygninger.