تصویر: عکسی از یک اتاق با نمادهایی برای افرادی که مشغول کار، تایپ و راه رفتن هستند. هوای بیرون، سیستم های گرمایشی و اینترنت "ابر"، همه دارای نمادهای WiFi در کنار خود هستند. نمودار، مربوط به یک مقاله جدید است که جزئیات تشریح شده ای را برای یک ترموستات هوشمند، تعامل شرایط آب و هوایی، سیستم های کنترل، سنسورها و الگوریتم های یاد گیری برای بهینه سازی خرد اقلیم در ساختمان نشان می دهد.
یک ترموستات هوشمند به سرعت یاد می گیرد که آب و هوای محدود یا خُرد اقلیم ساختمان را هم برای مصرف انرژی و هم برای ترجیح کاربر بهینه کند.
مصارف انرژی در ساختمان ها حدود 40 درصد از کل مصرف انرژی ایالات متحده را تشکیل می دهند و مسئول یک سوم انتشار دی اکسید کربن در جهان هستند. صرفه جویی در مصرف انرژی ساختمان ها نه تنها یک اقدام صرفه جویانه در هزینه است، بلکه یک استراتژی اساسی برای کاهش تغییرات آب و هوایی است. از این رو، ظهور ساختمان های "هوشمند"، به گونه ای فزاینده در سراسر جهان به یک قاعده تبدیل می شود.
ساختمان های هوشمند سیستم هایی مانند گرمایش، تهویه و تهویه مطبوع یا heating, ventilation, and air conditioning (HVAC) را خودکار می کنند. روشنایی برق، و امنیت اتوماسیون به داده های حسی، مانند درجه حرارت و رطوبت داخلی و خارجی، غلظت دی اکسید کربن و وضعیت اشغال نیاز دارند. ساختمان های هوشمند در ترکیبی از فناوری ها از داده هایی استفاده می کنند که می توانند آنها را از نظر انرژی کارآمدتر سازند.
از آن جا که سیستم های HVAC تقریباً نیمی از انرژی مصرفی ساختمان را به خود اختصاص می دهند، ساختمان های هوشمند از ترموستات های هوشمند استفاده می کنند که کنترل های HVAC را به صورت خودکار انجام می دهند و می توانند تنظیمات درجه حرارت ساکنان ساختمان را یاد بگیرند.
در مقاله ای که در مجله Applied Energy منتشر شده است، محققانی از آزمایشگاه سیستم های اطلاعات و تصمیم گیری MIT، (LIDS) ، با همکاری دانشمندانSkoltech ، ترموستات هوشمند جدیدی را طراحی کرده اند که از الگوریتم های کارآمد داده استفاده می کند و می تواند آستانه های دمای بهینه را در عرض یک هفته یاد بگیرد.
مونتر دله، استاد مهندسی برق و علوم کامپیوتر و مدیر گروه از مؤسسه داده ها، سیستم ها و جامعه (IDSS)، می گوید: "با وجود پیشرفت های اخیر در فناوری اینترنت و تجزیه و تحلیل داده ها، اجرای ساختمان های هوشمند، با فرایند زمانبر جمع آوری داده ها در ساختمان ها ممانعت می شود." الگوریتم های ترموستات هوشمند برای یاد گیری نحوه کار بهینه، از داده های ساختمان استفاده می کنند، اما جمع آوری داده ها، به طور معمول، ماه ها به طول می انجامد.
برای سرعت بخشیدن به روند یاد گیری، محققان از روشی به نام یاد گیری چند برابر استفاده کردند، که در آن توابع پیچیده و "با ابعاد بالا" توسط توابع ابعادی ساده تر و کمتری به نام "منیفولد" نشان داده می شوند. محققان با استفاده از یاد گیری چند برابر و دانش در مورد ترمودینامیک ساختمان، یک روش کنترل عمومی را که می تواند پارامترهای زیادی داشته باشد، با مجموعه ای از سیاست های "آستانه" جایگزین کردند که هرکدام پارامترهای قابل تفسیر کمتری دارند. الگوریتم های ساخته شده برای یاد گیری منیفولدهای بهینه به داده های کمتری احتیاج دارند، و بنابراین از کارایی بیشتری در داده برخوردار هستند.
الگوریتم های ساخته شده برای ترموستات از یک روش به نام یاد گیری تقویت یا reinforcement learning (RL) استفاده می کند، که یک روش تصمیم گیری و کنترل پی در پی داده محور است که در سال های اخیر برای تسلط بر بازی هایی مانند تخته نرد و Go بسیار مورد توجه قرار گرفته است.
بیشتر موارد مربوط به مقاوم سازی ها، شامل مراحل اضافه کردن عایق، آب بندی پنجره ها و نشتی درها و جایگزینی پنجره های تک جداره قدیمی با نسخه های جدیدتر دو جداره است.اشکان حاجی حسینلو، فوق دکترا در LIDS و نویسنده اصلی مقاله، می گوید: "ما موتورهای شبیه سازی کار آمدی برای بازی های رایانه ای داریم که می توانند داده های زیادی را برای الگوریتم های RL تولید کنند تا یک استراتژی خوب بازی را یاد بگیرند." "با این حال، ما از نعمت بزرگِ داده های بزرگ برای کنترل خُرد اقلیم در ساختمان ها برخوردار نیستیم."
حسینلو با سابقه مهندسی مکانیک و آموزش روش هایی مانند RL، می تواند از بینش آماری و رایانه های پیشرفته تا سیستم های فیزیکی دنیای واقعی استفاده کند. وی می گوید: "انگیزه اصلی من کاهش و حتی جلو گیری از بحران انرژی و محیط زیستی با بهبود کارایی این سیستم ها است. "
الگوریتم های جدیدRL، ترموستات هوشمند "ناشی از رویداد" هستند، به این معنی که آنها فقط هنگام وقوع برخی از رویدادها تصمیم می گیرند، نه بر اساس یک برنامه از پیش تعیین شده. این "رویدادها" با شرایط خاص رسیدن به آستانه - مانند کاهش دما در اتاق از محدوده ای مطلوب، تعریف می شوند. حسینلو می گوید: "این امر، به روز رسانی یاد گیری با تکرار کمتر را امکان پذیر می کند و الگوریتم های ما را از نظر محاسباتی ارزان تر می سازد. "
توان محاسباتی، محدودیت بالقوه ای برای یاد گیری الگوریتم هاست و منابع محاسباتی به عملکرد الگوریتم ها در ابر یا خود دستگاه - مانند ترموستات هوشمند - بستگی دارد. حسینلو می گوید: "ما به الگوریتم های یاد گیری‌ای نیاز داریم که هم از نظر محاسبات و هم از نظر داده ها کارآمد باشند. "
ساختمان های کم مصرف مزایای دیگری فراتر از کاهش انتشار و کاهش هزینه ها دارند. "میکرو اقلیم" (یا خُرد اقلیم) و کیفیت هوا در ساختمان می تواند مستقیماً بر بهره وری و عملکرد تصمیم گیری ساکنان ساختمان تأثیر بگذارد. با در نظر گرفتن بسیاری از تأثیرات گسترده اقتصادی، زیست محیطی و اجتماعی، کنترل میکرو اقلیم به موضوعی مهم برای دولت ها، مدیران ساختمان و حتی صاحبان خانه تبدیل شده است.
یکی از نویسندگان مقاله، هنی اوردان، استاد طرف همکاری Skoltech می گوید: "نسل جدید ساختمان های هوشمند، هدفِ آن است که از داده ها یاد بگیرد که چگونه به طور مستقل و با حداقل مداخلاتِ کاربر کار کند." "یک ترموستات یاد گیری می تواند به طور بالقوه یاد بگیرد که چگونه دمای قابل تنظیم خود را با هماهنگی با سایر دستگاه های HVAC ، یا بر اساس پیش بینی تعرفه های برق به منظور صرفه جویی در انرژی و هزینه، تنظیم کند."
حسینلو همچنین معتقد است که روش و الگوریتم های آنها در طیف متنوعی از دیگر مشکلات کنترل مبتنی بر فیزیک در حوزه هایی از جمله در روباتیک، وسایل نقلیه خودگردان و حمل و نقل قابل اعمال است، جاهایی که داده ها و کارایی محاسباتی در آنها از اهمیت بالایی برخوردار هستند.
این تحقیق یک پروژه مشترک Skoltech-MIT بود که به عنوان بخشی از برنامه نسل بعدی Skoltech MIT انجام شد.
یک ترموستات هوشمند به سرعت یاد می گیرد که آب و هوای محدود یا خُرد اقلیم ساختمان را هم برای مصرف انرژی و هم برای ترجیح کاربر بهینه کند.
مصارف انرژی در ساختمان ها حدود 40 درصد از کل مصرف انرژی ایالات متحده را تشکیل می دهند و مسئول یک سوم انتشار دی اکسید کربن در جهان هستند. صرفه جویی در مصرف انرژی ساختمان ها نه تنها یک اقدام صرفه جویانه در هزینه است، بلکه یک استراتژی اساسی برای کاهش تغییرات آب و هوایی است. از این رو، ظهور ساختمان های "هوشمند"، به گونه ای فزاینده در سراسر جهان به یک قاعده تبدیل می شود.
ساختمان های هوشمند سیستم هایی مانند گرمایش، تهویه و تهویه مطبوع یا heating, ventilation, and air conditioning (HVAC) را خودکار می کنند. روشنایی برق، و امنیت اتوماسیون به داده های حسی، مانند درجه حرارت و رطوبت داخلی و خارجی، غلظت دی اکسید کربن و وضعیت اشغال نیاز دارند. ساختمان های هوشمند در ترکیبی از فناوری ها از داده هایی استفاده می کنند که می توانند آنها را از نظر انرژی کارآمدتر سازند.
از آن جا که سیستم های HVAC تقریباً نیمی از انرژی مصرفی ساختمان را به خود اختصاص می دهند، ساختمان های هوشمند از ترموستات های هوشمند استفاده می کنند که کنترل های HVAC را به صورت خودکار انجام می دهند و می توانند تنظیمات درجه حرارت ساکنان ساختمان را یاد بگیرند.
در مقاله ای که در مجله Applied Energy منتشر شده است، محققانی از آزمایشگاه سیستم های اطلاعات و تصمیم گیری MIT، (LIDS) ، با همکاری دانشمندانSkoltech ، ترموستات هوشمند جدیدی را طراحی کرده اند که از الگوریتم های کارآمد داده استفاده می کند و می تواند آستانه های دمای بهینه را در عرض یک هفته یاد بگیرد.
مونتر دله، استاد مهندسی برق و علوم کامپیوتر و مدیر گروه از مؤسسه داده ها، سیستم ها و جامعه (IDSS)، می گوید: "با وجود پیشرفت های اخیر در فناوری اینترنت و تجزیه و تحلیل داده ها، اجرای ساختمان های هوشمند، با فرایند زمانبر جمع آوری داده ها در ساختمان ها ممانعت می شود." الگوریتم های ترموستات هوشمند برای یاد گیری نحوه کار بهینه، از داده های ساختمان استفاده می کنند، اما جمع آوری داده ها، به طور معمول، ماه ها به طول می انجامد.
برای سرعت بخشیدن به روند یاد گیری، محققان از روشی به نام یاد گیری چند برابر استفاده کردند، که در آن توابع پیچیده و "با ابعاد بالا" توسط توابع ابعادی ساده تر و کمتری به نام "منیفولد" نشان داده می شوند. محققان با استفاده از یاد گیری چند برابر و دانش در مورد ترمودینامیک ساختمان، یک روش کنترل عمومی را که می تواند پارامترهای زیادی داشته باشد، با مجموعه ای از سیاست های "آستانه" جایگزین کردند که هرکدام پارامترهای قابل تفسیر کمتری دارند. الگوریتم های ساخته شده برای یاد گیری منیفولدهای بهینه به داده های کمتری احتیاج دارند، و بنابراین از کارایی بیشتری در داده برخوردار هستند.
الگوریتم های ساخته شده برای ترموستات از یک روش به نام یاد گیری تقویت یا reinforcement learning (RL) استفاده می کند، که یک روش تصمیم گیری و کنترل پی در پی داده محور است که در سال های اخیر برای تسلط بر بازی هایی مانند تخته نرد و Go بسیار مورد توجه قرار گرفته است.
بیشتر موارد مربوط به مقاوم سازی ها، شامل مراحل اضافه کردن عایق، آب بندی پنجره ها و نشتی درها و جایگزینی پنجره های تک جداره قدیمی با نسخه های جدیدتر دو جداره است.اشکان حاجی حسینلو، فوق دکترا در LIDS و نویسنده اصلی مقاله، می گوید: "ما موتورهای شبیه سازی کار آمدی برای بازی های رایانه ای داریم که می توانند داده های زیادی را برای الگوریتم های RL تولید کنند تا یک استراتژی خوب بازی را یاد بگیرند." "با این حال، ما از نعمت بزرگِ داده های بزرگ برای کنترل خُرد اقلیم در ساختمان ها برخوردار نیستیم."
حسینلو با سابقه مهندسی مکانیک و آموزش روش هایی مانند RL، می تواند از بینش آماری و رایانه های پیشرفته تا سیستم های فیزیکی دنیای واقعی استفاده کند. وی می گوید: "انگیزه اصلی من کاهش و حتی جلو گیری از بحران انرژی و محیط زیستی با بهبود کارایی این سیستم ها است. "
الگوریتم های جدیدRL، ترموستات هوشمند "ناشی از رویداد" هستند، به این معنی که آنها فقط هنگام وقوع برخی از رویدادها تصمیم می گیرند، نه بر اساس یک برنامه از پیش تعیین شده. این "رویدادها" با شرایط خاص رسیدن به آستانه - مانند کاهش دما در اتاق از محدوده ای مطلوب، تعریف می شوند. حسینلو می گوید: "این امر، به روز رسانی یاد گیری با تکرار کمتر را امکان پذیر می کند و الگوریتم های ما را از نظر محاسباتی ارزان تر می سازد. "
توان محاسباتی، محدودیت بالقوه ای برای یاد گیری الگوریتم هاست و منابع محاسباتی به عملکرد الگوریتم ها در ابر یا خود دستگاه - مانند ترموستات هوشمند - بستگی دارد. حسینلو می گوید: "ما به الگوریتم های یاد گیری‌ای نیاز داریم که هم از نظر محاسبات و هم از نظر داده ها کارآمد باشند. "
ساختمان های کم مصرف مزایای دیگری فراتر از کاهش انتشار و کاهش هزینه ها دارند. "میکرو اقلیم" (یا خُرد اقلیم) و کیفیت هوا در ساختمان می تواند مستقیماً بر بهره وری و عملکرد تصمیم گیری ساکنان ساختمان تأثیر بگذارد. با در نظر گرفتن بسیاری از تأثیرات گسترده اقتصادی، زیست محیطی و اجتماعی، کنترل میکرو اقلیم به موضوعی مهم برای دولت ها، مدیران ساختمان و حتی صاحبان خانه تبدیل شده است.
یکی از نویسندگان مقاله، هنی اوردان، استاد طرف همکاری Skoltech می گوید: "نسل جدید ساختمان های هوشمند، هدفِ آن است که از داده ها یاد بگیرد که چگونه به طور مستقل و با حداقل مداخلاتِ کاربر کار کند." "یک ترموستات یاد گیری می تواند به طور بالقوه یاد بگیرد که چگونه دمای قابل تنظیم خود را با هماهنگی با سایر دستگاه های HVAC ، یا بر اساس پیش بینی تعرفه های برق به منظور صرفه جویی در انرژی و هزینه، تنظیم کند."
حسینلو همچنین معتقد است که روش و الگوریتم های آنها در طیف متنوعی از دیگر مشکلات کنترل مبتنی بر فیزیک در حوزه هایی از جمله در روباتیک، وسایل نقلیه خودگردان و حمل و نقل قابل اعمال است، جاهایی که داده ها و کارایی محاسباتی در آنها از اهمیت بالایی برخوردار هستند.
این تحقیق یک پروژه مشترک Skoltech-MIT بود که به عنوان بخشی از برنامه نسل بعدی Skoltech MIT انجام شد.
چگونه می توان شهرها را از نظر انرژی کارآمدتر ساخت؟
مقاوم سازیِ حتی بخش کوچکی از ساختمان ها تأثیر زیادی در کاهش انتشار کربن از شهرها خواهد داشت.
تصویر: در این تصویر از کمبریج، ماساچوست، رنگ ها نشان می دهند که کدام ساختمان ها می توانند مقاوم سازی شوند تا درصدهای مختلف صرفه جویی در مصرف انرژی به دست آید. با تبدیل فقط ساختمان های قرمز و نارنجی، 40 درصد از کل صرفه جویی انرژی در شهر از طریق بهبود کارآمدی حاصل می شود. West Cambridge دارای یک خط تقسیم است که مسکن های کارآمد و متراکم در کنار چندین خانه را نشان می دهد که می توانند از مقاوم سازی استفاده کنند. این ممکن است به این دلیل باشد که آن محله در زمان دیگری ساخته شده است یا خانه های آن جا بزرگتر هستند.
بسیاری از برنامه ها، صاحبان خانه ها و سایر ساختمان ها را به بهبود بهره وری انرژی خود ترغیب می کنند، و گاهی اوقات یارانه های قابل توجه یا مشوق های مالیاتی برای این کار ارائه می دهند. اکنون، برنامه ریزان ممکن است راهی برای تعیین این که چه برنامه هایی بیشترین باز دهی را برای سرمایه گذاری در این رابطه دارند به دست آورند: تحقیقات جدید نشان می دهد که چگونه می توان ساختمان هایی را شناسایی کرد که مقاوم سازی در برابر هدر رفت انرژی در آنها برای حفظ تولید بهینه انرژی، بیشترین تأثیر را در کاهش انتشار گازهای گلخانه ای کل شهر ناشی از آنها دارد.
یافته های جدید، که فقط به حداقل اطلاعات در مورد ساختمان ها و چگونگی استفاده از انرژی در آنها نیاز دارد، توسط Marta Gonz lez وFranz-Josef Ulm ، استادان مهندسی عمران و محیط زیست MIT و دکتر محمد جواد عبدالحسینی قمی، که هنگام تحقیق دانشجوی کارشناسی ارشد بود، و پنج نفر دیگر در MIT و سایر مؤسسات تهیه شده است. نتایج در ژورنال Interface، منتشر شده توسط انجمن سلطنتی در انگلیس، گزارش شده است.
نویسندگان اشاره کردند که 44 درصد از کل انرژی مورد استفاده در ساختمان ها در ایالات متحده به سمت گرمایش و سرمایش می رود و این 20 درصد از انتشار دی اکسید کربن کشور را تشکیل می دهد. بنابراین ایجاد یک سرعت گیر قابل توجه در این بخش می تواند به کشور در اجرای تعهدات خود در زمینه جلو گیری از انتشار گازهای گلخانه ای کمک کند.
اما همه مسکن ها به گونه ای یکسان ایجاد نشده اند و انجام مقاوم سازی در برخی از ساختمان های کم بازده می تواند تأثیر بسیار بیشتری در کاهش تولید گازهای گلخانه ای در مقایسه با اصلاح ساختمان هایی داشته باشد که قبلاً عملکرد نسبتاً خوبی داشته اند. با این حال، کشف چگونگی شناسایی ساختمان هایی که بیشترین نیاز به بهسازی را دارند، در مقیاسی مفید برای مقامات شهری و شرکت های خدمات، کار ساده ای نیست.
با در نظر گرفتن بسیاری از تأثیرات گسترده اقتصادی، زیست محیطی و اجتماعی، کنترل میکرو اقلیم به موضوعی مهم برای دولت ها، مدیران ساختمان و حتی صاحبان خانه تبدیل شده است.گونز لز توضیح می دهد که 82 پارامتر مختلف وجود دارد که می تواند بر روی بازده کلی حرارتی ساختمان تأثیر بگذارد، اما بسیاری از این داده ها نیاز به اندازه گیری دقیق در محل و در برخی موارد تجهیزات ویژه دارند، و بنابراین انجام چنین ارزیابی هایی در مقیاس کل شهرها غیر عملی است. اما پس از مطالعه دقیق مناطق نماینده در بوستون و کمبریج، ماساچوست، این تیم دریافت که برای دستیابی به یک نتیجه گیری که تقریباً به همان اندازه دقیق باشد، می توان فقط از هشت عامل استفاده کرد که این، کار را بسیار عملی تر می سازد.
گونز لز می گوید: "کار من در مورد کاهش تعداد متغیرهایی است که شما باید بدانید." "آیا راهی برای انجام برنامه ریزی شهری بدون دانستن همه جزئیات وجود دارد؟" و در این مورد، او و تیم دریافتند که واقعاً وجود دارد. او می گوید، عواملی که آنها جدا کرده اند "متغیرهایی هستند که مهم هستند. شما واقعاً می توانید روی این هشت تا تمرکز کنید. "
در واقع، اولم می گوید، فقط سه عامل به تنهایی می تواند 85 تا 90 درصد از تنوع بین ساختمان ها را تشکیل دهد و انجام حداقل ارزیابی مرتبه اول از مناطق مسکونی شهری را بسیار آسان تر می سازد.
معلوم شد که کلید ارزیابی های مفید، اندازه گیری مستقیم مصرف انرژی واحدها در ماه های سرد است با بررسی صورتحساب های ماهیانه گاز آنها. با انجام مقایسه اطلاعات صورتحساب ناشناخته شرکت گاز با داده های ارائه شده توسط شهر در مورد اندازه و حجم ساختمان ها، و با داده های آب و هوا که درجه حرارت خارج را در طول دوره مطالعه نشان می دهد، تیم دریافت که آنها می توانند پیش بینی های دقیقی در مورد این که در کدام ساختمان ها انجام مقاوم سازی به نفع آنها است، انجام دهند. بیشتر موارد مربوط به مقاوم سازی ها، شامل مراحل اضافه کردن عایق، آب بندی پنجره ها و نشتی درها و جایگزینی پنجره های تک جداره قدیمی با نسخه های جدیدتر دو جداره است.
تجزیه و تحلیل نشان داد که انتخاب فقط 16 درصد از ساختمانهای کمبریج برای انجام چنین مقاوم سازی‌ای، بر اساس فرمولی که آنها تهیه کرده اند، برای حذف 40 درصد از مصرف گاز طبیعی شهر کافی است. اولم می گوید: "ما نمی دانستیم که کمک به چند واحد می تواند چنین تغییری ایجاد کند. "
وی می گوید: "این شهر انگیزه هایی برای کاهش اثر کربن دارد"، زیرا کمبریج، مانند بسیاری از شهرها، خود را متعهد به خنثی کردن کربن کرده است. وی گفت، این تحقیق راهی است که MIT"می تواند به وسیله آن دِین خود را به جامعه و شهر ادا کند"، و با ارائه راهی به آنها حداکثر تأثیر دلارهای صرف شده برای کاهش مصرف انرژی را نشان می دهد. وی می گوید: "باید سیاست هایی وجود داشته باشد که فراتر از قیمت فعلی را ببینند"، تا معیارهای خاصی برای انتخاب در نظر گرفته شود. و فرمول ارائه شده از این تحقیق می تواند مبنای منطقی محکمی برای چنین سیاست های هدفمندی فراهم کند.
شاید تعجب آور باشد، اما این تیم دریافته است که انتخاب ساکنان در مورد تنظیمات دما در ترموستات های فردی عامل اصلی در انتخاب نیست و می توان اطلاعات مفید را بدون چنین اطلاعات خاص ساختمانی از داده ها دریافت کرد. اولم می گوید: بر اساس ترجیح دمایی افراد "تنوع نسبتاً کم است".
این تیم یافته های خود را با مشاهده اطلاعات دقیق زیر مجموعه بیش از 6000 ساختمان در کمبریج تأیید کردند. آنها می گویند گام بعدی، مقایسه نتایج به این شرط و در زمانی خواهد بود که برخی از آن ساختمان ها این مقاوم سازی انرژی را عملی سازند.
در شبیه سازی ها، محققان نشان دادند که اتخاذ یک استراتژی بر اساس فرمول آنها تأثیر بیشتری نسبت به برنامه هایی خواهد داشت که مانند اکثر مشوق های مقاوم سازی انرژی فعلی، اساساً تصادفی باشند، مثل مشوق های مالیاتی که به تمام کسانی تعلق می گیرد که معیارهای اساسی را، صرف نظر از شرایط خاص ساختمان هایشان، رعایت کرده باشند.
ظهور ساختمان های "هوشمند"، به گونه ای فزاینده در سراسر جهان به یک قاعده تبدیل می شود.اولم می گوید، این تحلیل جدید می تواند اتخاذ "استراتژی های بسیار هدفمند" برای کاهش استفاده از انرژی برای گرمایش و سرمایش را برای شهرها ممکن سازد. وی گفت، روش این تیم می تواند مقامات شهری را قادر سازد "سریعترین مسیر بهره وری انرژی را در مقیاس شهری توسعه دهند." او می گوید، یک قدم باقی مانده در تحقیق، بررسی تحلیل هزینه چرخه زندگی است. وی می گوید: "بیایید بازگشت سرمایه را در موضوع سرمایه گذاری ببینیم،" "و ببینیم این که قرار است هر کسی به صورت انفرادی ارزش دلار را در کاهش مصرف کیلو وات ساعت انرژی افزایش دهد، چگونه گزینه ها را در مقیاس تجمعی شهری تغییر خواهد داد. "
این تحقیق تا حدی با کمک مالی MIT-Accenture Alliance در تجزیه و تحلیل تجارت، مرکز سیستم های مهندسی پیچیده و بنیاد ملی علوم پشتیبانی شد.
منبع: دیوید ال. چندلر ، آزمایشگاه سیستم های اطلاعات و تصمیم گیری، MIT News
