[論文レビュー] Adaptive Data-Driven Prediction in a Building Control Hierarchy: A Case Study of Demand Response in Switzerland

Jicheng Shi, Yingzhao Lian+2 more|arXiv (Cornell University)|Jul 17, 2023

Smart Grid Energy ManagementEngineering被引用数 3

ひとこと要約

本稿は、スイスの需要応答プログラムにおける適応型建物制御のため、Willemsの基本的補題（DeePC）に基づくデータ駆動型予測制御フレームワークを提案する。三層階層制御システムにスムーズに統合され、最小限のチューニングと自動モデル更新（運用データ数日分のみ）により、52日間で運転コストを28.74%削減した。

ABSTRACT

By providing various services, such as Demand Response (DR), buildings can play a crucial role in the energy market due to their significant energy consumption. However, effectively commissioning buildings for such desired functionalities requires significant expert knowledge and design effort, considering the variations in building dynamics and intended use. In this study, we introduce an adaptive data-driven prediction scheme based on Willems' Fundamental Lemma within the building control hierarchy. This scheme offers a versatile, flexible, and user-friendly interface for diverse prediction and control objectives. We provide an easy-to-use tuning process and an adaptive update pipeline for the scheme, both validated through extensive prediction tests. We evaluate the proposed scheme by coordinating a building and an energy storage system to provide Secondary Frequency Control (SFC) in a Swiss DR program. Specifically, we integrate the scheme into a three-layer hierarchical SFC control framework, and each layer of this hierarchy is designed to achieve distinct operational goals. Apart from its flexibility, our approach significantly improves cost efficiency, resulting in a 28.74% reduction in operating costs compared to a conventional control scheme, as demonstrated by a 52-day experiment in an actual building. Our findings emphasize the potential of the proposed scheme to reduce the commissioning costs of advanced building control strategies and to facilitate the adoption of new techniques in building control.

研究の動機と目的

• 従来の高度な建物制御戦略を実装するために必要な高い起動コストと専門的作業を削減すること。
• モデル予測制御（MPC）における建物モデル同定の課題に応えるために、パrametricモデルに代わるデータ駆動型代替手法を導入すること。
• 建物エネルギーシステムにおける多様な制御目的に柔軟かつ使いやすく、適応可能な予測を可能にすること。
• スイスの補助サービス市場における二次周波数制御（SFC）の文脈で、実世界の建物制御環境において提案手法を検証すること。
• リアルタイムのデータ適合と最小限の人的介入により、顕著なコスト削減と運用効率の向上を実現すること。

提案手法

• Willemsの基本的補題に基づくDeePC（データ適合予測制御）を用いて、運用I/Oデータから非パrametricでデータ駆動型のモデルを構築する。
• ハーケン行列のサイズTの選定に明確なガイドラインを設けたユーザーフレンドリーなチューニングプロセスを導入し、専門家のキャリブレーション依存度を低減する。
• 最近の運用データを用いてハーケン行列を自動で更新する適応的アップデートパイプラインを実装し、リアルタイムでのモデル適合を可能にする。
• DDP予測子を三層階層制御アーキテクチャ（日次計画者、予測制御者、リアルタイムアクチュエータ層）に統合する。
• 物理的ルールフィルタを組み込んだ二段階型DeePC定式化を採用し、モデルの一貫性を保ち、柔軟性の過大評価を防ぐ。
• 制約条件と市場要件を満たす制御行動最適化に二次計画法（QP）と線形計画法（LP）を適用する。

実験結果

リサーチクエスチョン

• RQ1 従来のパrametricモデリングと比較して、DeePCに基づくデータ駆動型予測手法は、建物制御システムの起動作業とチューニングの複雑さを顕著に低減できるか？
• RQ2 DeePCの適応的アップデート機構は、建物ダイナミクスの変化に伴って時間経過とともに予測精度を維持するのにどの程度効果的か？
• RQ3 実世界の建物運用において、二次周波数制御のようなグリッド支援サービスのためのDeePCベース制御は、運転コストをどの程度削減できるか？
• RQ4 DeePCフレームワークに物理的制約を統合することで、実際の運用における信頼性と制御性能はどの程度向上するか？
• RQ5 提案手法は、最小限の歴史的データで高い性能を発揮できるか。これにより、多様な建物タイプへの迅速な展開が可能になるか？

主な発見

• 提案されたDDPベースの制御方式は、52日間の実世界実験において、従来の制御方式と比較して運転コストを28.74%削減した。
• 2022年の実験では、予測制御者に5日間の運用データ、日次計画者に10日間の運用データが必要であったが、2017年のパrametricモデル同定には14日間と7日間のデータが必要であったのと比較して、著しく少ないデータ量で実現した。
• 適応的アップデートパイプラインにより、人的チューニングなしに継続的なモデルの洗練が可能となり、長期的な予測精度とシステムの応答性が向上した。
• ハーケン行列サイズTのためのユーザーフレンドリーなチューニングガイドラインのおかげで、専門的介入の必要性が低下し、さまざまな建物への展開性が向上した。
• 二段階型DeePCフレームワークに物理的ルールを統合することで、柔軟性の過大評価を防ぎ、制約なしのモデルと比較して予測の信頼性が向上した。
• 本手法は実世界のSFC応用において強く優れた性能を示し、建物とエネルギー貯蔵システムを高精度かつコスト効率よく統合的に制御してグリッドサービスを提供することに成功した。