[論文レビュー] Input Convex Neural Networks for Building MPC

Felix Bünning, Adrian Schalbetter+4 more|arXiv (Cornell University)|Nov 26, 2020

Advanced Control Systems Optimization参考文献 12被引用数 33

ひとこと要約

本論文は、Input Convex Neural Networks (ICNNs) を適用して、建物のエネルギー管理のための Model Predictive Control (MPC) 内で多段先予測を実現し、数値実験と実世界の実験で検証している。

ABSTRACT

Model Predictive Control in buildings can significantly reduce their energy consumption. The cost and effort necessary for creating and maintaining first principle models for buildings make data-driven modelling an attractive alternative in this domain. In MPC the models form the basis for an optimization problem whose solution provides the control signals to be applied to the system. The fact that this optimization problem has to be solved repeatedly in real-time implies restrictions on the learning architectures that can be used. Here, we adapt Input Convex Neural Networks that are generally only convex for one-step predictions, for use in building MPC. We introduce additional constraints to their structure and weights to achieve a convex input-output relationship for multistep ahead predictions. We assess the consequences of the additional constraints for the model accuracy and test the models in a real-life MPC experiment in an apartment in Switzerland. In two five-day cooling experiments, MPC with Input Convex Neural Networks is able to keep room temperatures within comfort constraints while minimizing cooling energy consumption.

研究の動機と目的

• 高価な第一原理モデルを使わずにエネルギー使用を削減するため、建物MPCにおけるデータ駆動型モデリングを動機づける。
• 多段予測の凸な入出力関係を達成するためにICNNアーキテクチャを拡張する。
• （準）凸MPCにICNNベースのダイナミクスを組み込み、緩和変数を用いて下限状態制約に対処する。
• 従来のICNN形式と比較した予測精度を評価し、実 occupancy のアパートで実際のMPC性能を示す。

提案手法

• 多段予測の凸性を保証するため、追加の制約と活性化関数を用いて Fully ICNN (FICNN) および Partially ICNN (PICNN) アーキテクチャを用いる。
• 凸で非減少の活性化関数の組み合わせと非負の重み行列の組み合わせが、多段予測において凸性を保持することを証明する（命題1および2）。
• ICNNダイナミクスを、凸または準凸のコスト関数とスラック変数によるソフト状態制約を備えた（準）凸MPC定式化に組み込む。
• Amos et al. (2017) のネットワークと現実のアパートデータを用いて、クロスバリデーションを行い予測精度を比較する。
• 2-bed UMARアパートでの2つの実験を実施し、FICNNとPICNNを用いたMPCが快適性を維持しつつ冷房エネルギーを最小化する性能を評価する。

実験結果

リサーチクエスチョン

• RQ1 ICNNベースのモデルを、建物のMPCに適した多段先予測の凸性を持つようにすることはできるか？
• RQ2 FICNNとPICNNは、建物温度ダイナミクスに関する従来のICNN形式と比較して予測精度の点でどうか？
• RQ3 ICNNベースのダイナミクスを、ソフト状態制約を持つ（準）凸MPCに組み込みつつ実時間最適化を可能にするか？
• RQ4 実際のアパート実験におけるICNN駆動MPCの冷房エネルギー削減と快適性維持の実用的な性能は？

主な発見

• FICNNとPICNNのためのアーキテクチャ的制約とReLUベースの活性化によって、多段階の凸性を達成できる（ propositions 1 and 2）。
• 数値テストでは、Amosネットワークが1時間および6時間予測のMSEで提案されたICNN変種よりも低いことを示し、凸性制約と柔軟性のトレードオフを示唆する。
• 2つの実験では、ICNNを用いたMPCが時間変化する快適性制約内に部屋温度を維持しつつ冷房エネルギーを削減した。
• PICNNは過剰冷却を回避する傾向を示し、重要な時間で上限快適性に一致させた一方、FICNNは時に過度に冷却することがあった。