2025. gadā publicētie pētījumi atklāja ko patiešām ievērības cienīgu: progresīvi mašīnmācīšanās algoritmi, konkrēti Deep Reinforcement Learning (dziļā pastiprinājuma mācīšanās - mākslīgā intelekta veids, kas mācās no pieredzes), spēja samazināt ēku enerģijas patēriņu par vairāk nekā 50%, vienlaikus saglabājot augstu komforta līmeni ēku lietotājiem.
Tradicionālās vadības pieejas ierobežojumi
No pirmā acu uzmetiena ēka var šķist statiska tērauda un betona konstrukcija, taču patiesībā tā darbojas kā dinamiska un nepārtraukti mainīga sistēma. Aizkulisēs tā pastāvīgi līdzsvaro vairākas savstarpēji konkurējošas prioritātes: energoefektivitāti, termālo komfortu, trokšņu kontroli, gaisa kvalitāti un kopējo lietotāju apmierinātību. Tradicionāli lielākā daļa ēku sistēmu balstās uz fiksētiem noteikumiem - ja temperatūra nokrītas zem noteikta līmeņa, apkure ieslēdzas; ja pienāk vēls vakars, apgaismojums tiek samazināts.
Taču ēkas neeksistē nemainīgā vidē. Laikapstākļi mainās, cilvēku skaits telpās pieaug un samazinās, enerģijas cenas svārstās, un ikdienas lietošanas paradumi reti seko paredzamam scenārijam. Šādā dinamiskā vidē statiskas sistēmas vienkārši nespēj reaģēt pietiekami ātri vai pietiekami gudri. Tieši šeit mašīnmācīšanās sāk radīt reālu pievienoto vērtību.
Kā Deep Reinforcement Learning maina spēles noteikumus
Deep Reinforcement Learning (DRL) darbojas atšķirīgi no tradicionālās automatizācijas. Tā vietā, lai paļautos uz iepriekš definētiem noteikumiem, tas nepārtraukti novēro ēkas datus un pielāgojas reāllaikā:
- Novēro ēkas datus reāllaikā
- Apgūst lietošanas paradumus
- Identificē dažādus enerģijas patēriņa stāvokļus
- Nepārtraukti pielāgo lēmumus, lai uzlabotu rezultātus
Ko tas nozīmē praksē
Šī pieeja darbojas kā inteliģenta vadības sistēma, kas nepārtraukti analizē datus, mācās no modeļiem un optimizē ēkas darbību. Laika gaitā tā atrod līdzsvaru starp minimālu enerģijas patēriņu un maksimālu lietotāju komfortu — mērķi, kuru tradicionālajām ēku sistēmām jau ilgstoši ir bijis grūti sasniegt.
Pētījumi arvien skaidrāk parāda, cik efektīva var būt šī pieeja. Viens no 2025. gada pētījumiem liecināja par vairāk nekā 50% enerģijas patēriņa samazinājumu, vienlaikus saglabājot akustisko un termālo komfortu. Savukārt reālos apstākļos veikti testi trīs komerciālās ēkās 14 mēnešu periodā uzrādīja 23,7% mazāku enerģijas patēriņu salīdzinājumā ar tradicionālām noteikumos balstītām vadības sistēmām, vienlaikus saglabājot 94,7% lietotāju apmierinātības līmeni.
Ko atklāj pētījumu rezultāti
Rezultāti skaidri parāda, ka viedas, datos balstītas sistēmas var ievērojami samazināt enerģijas patēriņu, vienlaikus saglabājot augstu lietotāju komforta līmeni. Tas apliecina, ka energoefektivitātes uzlabošana un pozitīva lietotāju pieredze var iet roku rokā.
Šie atklājumi izceļ pastiprinājuma mācīšanās potenciālu kā vienu no perspektīvākajiem virzieniem ēku pārvaldības attīstībā, palīdzot sasniegt labākus rezultātus reālos ekspluatācijas apstākļos.
Atsauce: Jim Mathew Philip u.c., “Reinforcement Learning for Real-Time Energy Optimization in Buildings”, 2025 International Conference on Smart & Sustainable Technology (INCSST).
