Poupar energia na refrigeração doméstica com machine learning
FOTO NRD/ UNSPLASH
Christina Genet
Um estudo realizado por um grupo de investigadores chineses analisa os comportamentos de abertura da porta de frigoríficos domésticos por parte dos utilizadores, recorrendo a um sistema de Reinforcement Learning, com o objetivo de reduzir o consumo energético.
Uma equipa de investigadores da Universidade Zhejiang e da empresa HangZhou Kangbei Motor Co. Ltd. na China desenvolveu uma estratégia de controlo para frigoríficos domésticos baseada na previsão de comportamentos e em aprendizagem por reforço profundo. Segundo os autores, esta abordagem permite alcançar poupanças energéticas até 28,7 % ao longo de uma semana.
O estudo publicado no International Journal of Refrigeration apresenta um método assente num algoritmo que integra informação preditiva sobre o comportamento de abertura da porta do frigorífico por parte do utilizador. Os investigadores indicam que o modelo consegue prever esse comportamento com uma precisão de 85 %, um valor superior ao reportado em estudos anteriores.
O método integra igualmente um sistema de Reinforcement Learning (RL), uma abordagem sem modelo para a resolução de problemas de tomada de decisão estocásticos. Neste contexto, um agente inteligente interage com o ambiente por tentativa e erro, recorrendo a mecanismos de feedback. Este processo de aprendizagem permite ao agente tomar decisões que otimizam os resultados imediatos.
Com base nesta estratégia de controlo, os investigadores desenvolveram uma abordagem que permite ajustar a temperatura em tempo real, em função das necessidades de refrigeração. A solução foi comparada com métodos já existentes através de cenários de teste, analisando-se o consumo energético e a estabilidade da regulação da temperatura, para avaliar a sua eficácia. Os resultados apontam para perspetivas promissoras na aplicação de RL ao controlo de frigoríficos domésticos.
Outros artigos que lhe podem interessar