Αυτόνομα τεχνητά νευρωνικά δίκτυα που αναπτύχθηκαν καθ’ ομοίωση των νευρώνων του ανθρώπινου εγκεφάλου από ερευνητές του γερμανικού ινστιτούτου ηλιακής ενέργειας Fraunhofer (ISE) φαίνεται πως προσφέρουν εξαιρετική δυνατότητα για πιο αποτελεσματικό και οικονομικό έλεγχο των συστημάτων θέρμανσης. Το πρόγραμμα «ANNsolar - Neural Networks for the Use in Solar Thermal Systems» (Νευρωνικά δίκτυα για χρήση σε ηλιακά θερμικά συστήματα) στηρίζεται στην εφαρμογή «ευφυών» δικτυακών δομών που επινοήθηκαν και κατασκευάστηκαν κατόπιν μελέτης των νευρωνικών δομών του ανθρώπινου εγκεφάλου, οι οποίες επιτρέπουν την παράλληλη επεξεργασία δεδομένων και τη δυνατότητα συνεχούς μάθησης µέσω της αλληλεπίδρασης µε το περιβάλλον.
© Sonnenhaus Institut e.V.
Το βασικό πλεονέκτημα των τεχνητών νευρωνικών δικτύων είναι ότι μπορούν να αποθηκεύσουν γνώση και εμπειρία από το περιβάλλον, την οποία δύνανται στη συνέχεια να ανακαλούν. Επιπλέον, έχουν τη δυνατότητα να γενικεύουν, δηλαδή να εξάγουν τα βασικά χαρακτηριστικά ενός συστήματος. Το «έξυπνο» αυτό σύστημα συλλέγει δεδομένα που σχετίζονται με τη δυναμική του βιοκλιματικού κτιρίου, ανιχνεύει τις εκάστοτε ανάγκες για ενέργεια εξαιτίας των μεταβολών της προσπίπτουσας ακτινοβολίας στο κτίριο κατά τη διάρκεια της ημέρας, ενώ ελέγχει και το ποσοστό αποθήκευσης τμήματος της ηλιακής ενέργειας για διανομή προς χρήση. Τα τεχνητά νευρωνικά δίκτυα μπορούν να προσδιορίζουν με βάση το τοπικό κλίμα, τη θερμοκρασία χώρου, το πρότυπο μόνωσης του κτιρίου, τη συμπεριφορά λειτουργίας του ηλιακού θερμικού συστήματος και του συστήματος διανομής θερμότητας. "Τα τεχνητά νευρωνικά δίκτυα προσφέρουν εξαιρετική δυνατότητα για πιο αποτελεσματικό και οικονομικό έλεγχο των συστημάτων θέρμανσης", εξηγεί ο Δρ. Wolfgang Kramer, επικεφαλής του Thermal Storage and Service Life Analysis και συντονιστής του τμήματος Ηλιακής Θερμότητας στο Fraunhofer ISE. Το δυναμικό εξοικονόμησης ενέργειας συγκριτικά με ένα βελτιστοποιημένο συμβατικό σύστημα θερμικού ελέγχου σε υπάρχοντα κτίρια είναι τουλάχιστον 7 τοις εκατό, ενώ με ένα μη βελτιστοποιημένο τουλάχιστον 12 τοις εκατό. Εκτός από τη μεγιστοποίηση της εξοικονόμησης ηλιακής ενέργειας και της ενεργειακής απόδοσης, η προσέγγιση αυτή θα μειώσει επίσης τις δαπάνες εγκατάστασης ενός συστήματος θερμικού ελέγχου. Η μεθοδολογία που φαίνεται να είναι πολλά υποσχόμενη βασίζεται στον συνδυασμό ενός τεχνητού νευρικού δικτύου (ANN) και μιας γραμμικής αναγνώρισης συστήματος (linear system identification, LSI) για την ανάλυση των γραμμικών και μη γραμμικών τμημάτων της δυναμικής συμπεριφοράς του συστήματος και του κτιρίου. Οι αλγόριθμοι που απαιτούνται για αυτήν την προσέγγιση αναπτύχθηκαν στο Fraunhofer ISE, συντάχθηκαν σε κώδικα ελέγχου και επικυρώθηκε η ορθότητά τους επιτυχώς σε ένα πραγματικό ηλιακό σύστημα θέρμανσης. Οι προγνώσεις της θερμοκρασίας χώρου, το ηλιακό φορτίο και η αποθήκευσή του είναι η βάση της αναπτυγμένης αντίληψης ελέγχου. Αυτές οι παράμετροι μπορούν να προβλεφθούν με μεγάλη ακρίβεια βάσει της προτεινόμενης μεθοδολογίας. Μέσω των αλγορίθμων προσδιορίζεται αυτόματα η βέλτιστη καμπύλη θέρμανσης, λαμβάνοντας υπόψη επιπρόσθετες επιδράσεις, όπως π.χ. της παθητικής ηλιακής θέρμανσης του κτιρίου και της λειτουργίας μιας σόμπας καύσης ξύλου, η οποία ενεργοποιείται αυτόματα όταν το σύστημα το κρίνει απαραίτητο. Αυτό πραγματοποιείται αν διαπιστωθεί από το τεχνητό νευρωνικό δίκτυο ότι οι απαραίτητες θερμοκρασίες δεν μπορούν να επιτευχθούν με τη χρήση αποθηκευμένης ενέργειας εντός ενός προβλεπόμενου χρονικού διαστήματος. Έτσι, με το εν λόγω δίκτυο αποφεύγεται η περιττή εκκίνηση του καυστήρα, ελαχιστοποιείται η πρόσθετη θέρμανση μέσω ορυκτών καυσίμων και μεγιστοποιείται η ηλιακή απόδοση.