São Paulo — InkDesign News —
Pesquisadores da Hanbat National University utilizam conceitos de machine learning baseados em aprendizado por reforço quântico (QRL) para desenvolver um innovador sistema HVAC que promete economizar energia em lares residenciais.
Contexto da pesquisa
Sistemas de aquecimento, ventilação e ar condicionado (HVAC) são responsáveis por uma parcela significativa do consumo de energia em residências. A otimização do gerenciamento energético se torna cada vez mais crucial, considerando a crescente demanda por tecnologias que não apenas economizem energia, mas também melhorem a qualidade do ar interno. As abordagens de controle HVAC que consideram a ocupação podem alcançar economias de 20% a 50%, apesar dos desafios tecnológicos e das questões de privacidade envolvidas.
Método proposto
A pesquisa liderada pelo Professor Sangkeum Lee introduz o QRL, que se baseia nos princípios da computação quântica para gerenciar de maneira mais eficiente espaços de estados e ações de alta dimensão. Este modelo combina detecção de ocupação em tempo real utilizando deep learning com dados operacionais como padrões de consumo de energia e variações de temperatura externa. A abordagem foi testada em 26 residências por um período de três meses.
“Ao contrário das técnicas convencionais de aprendizado por reforço, o QRL aproveita princípios da computação quântica para lidar de forma eficiente com espaços de estado e ação multidimensionais, permitindo um controle mais preciso do HVAC em residências multi-zona.”
(“Unlike conventional reinforcement learning techniques, QRL leverages quantum computing principles to efficiently handle high dimensional state and action spaces, enabling more precise HVAC control in multi-zone residential buildings.”)— Sangkeum Lee, Professor Adjunto, Hanbat National University
Resultados e impacto
Os resultados dos testes mostram que o controle HVAC baseado em QRL supera significativamente métodos tradicionais como o deep deterministic policy gradient e o proximal policy optimization, com reduções de 63% e 62,4% no consumo de energia, respectivamente. Além disso, as economias nos custos elétricos foram de até 64,4%.
O sistema é compatível com sensores padrão de temperatura, ocupação e CO2, sendo também robusto a incertezas como previsões climáticas imprecisas. Lee explica que “pode ser utilizado em termostatos inteligentes e sistemas autônomos de gerenciamento de energia em casa, que co-otimizam conforto, contas e emissões sem a necessidade de ajuste manual.”
Em um futuro próximo, a pesquisa pode facilitar o desenvolvimento de sistemas de controle quânticos padronizados, impactando não apenas residências, mas também edifícios pequenos e micro-redes. As aplicação em condensadores de energia e veículos elétricos também são visões promissoras.
Fonte: (TechXplore – Machine Learning & AI)
