Анализ предпочтений потребителей и энергосбережение

Текущая ситуация:

Впечатляющим приложением искусственного интеллекта и методов машинного обучения стали технологии «умных» сред («умный» дом, офис, город), позволяющие в автоматическом или интерактивном режиме управлять функциями жилой среды. Мировые технологические лидеры уже выводят системы домашней автоматизации (Amazon Alexa, Google Home, Samsung Smartthings, Facebook Jarvis, Hitachi HEMS, Honeywell Z-Wave) на рынок, который только в США, по данным McKinsey, превысил в 2017 году $29 млрд. Важным преимуществом, получаемым покупателями подобных систем, являются расширенные возможности энергосбережения. Однако существующие подходы ограничивают возможности управления спросом, поскольку ценовые сигналы не воспринимаются потребителями, пользующимися системами домашней автоматизации.

Задачи проекта: Разработка алгоритмов управления бытовыми электроприборами для баланса комфорта и энергосбережения на основе выявления функции полезности пользователя по истории взаимодействия с ним.

consumer-preferences-1
consumer-preferences-2

Подходы: Выявление предпочтений пользователей и учет рациональности их поведения для достижения наилучшего баланса комфорта и стоимости электроэнергии в процессе управления домашними электроприборами. Проблема недостатка реальных данных для тестирования и отбора разных подходов решается использованием поведенческих моделей рационального управления электроприборами на основе функции полезности. Новизна подхода состоит в сочетании модели активного потребителя, включающей в себя решения по использованию и генерации электроэнергии, алгоритмов машинного обучения для выявления индивидуальных предпочтений потребителя, и их реализации в рамках открытой наращиваемой программной платформы.

Методы исследования:

а) Мультиагентное моделирование рационального поведения для анализа задачи обучения и генерации исходных данных. Возникающая при моделировании задача оптимального управления решается методами динамического программирования и адаптивного динамического программирования (reinforcement learning).

б) Методы обучения предпочтениям (preference learning): inverse reinforcement learning, Bayesian learning, approximate Bayesian computation.

Объект исследования: среда «умного» дома, частично или полностью автоматизируемые бытовые электроприборы

Потенциальный заказчик: производители бытовых приборов и систем домашней автоматизации

Перспективы: Разработанные алгоритмы выявления функции полезности пользователя должны найти применение в технологиях автоматического и автоматизированного (в режиме системы-советчика) управления бытовыми электроприборами.