[논문 리뷰] Input Convex Neural Networks for Building MPC

Felix Bünning, Adrian Schalbetter외 4명|arXiv (Cornell University)|2020. 11. 26.

Advanced Control Systems Optimization참고 문헌 12인용 수 33

한 줄 요약

본 논문은 Input Convex Neural Networks (ICNNs)를 빌딩 에너지 관리용 모델 예측 제어(MPC)에서 다단계 전진 예측을 가능하게 하도록 적용하고, 이를 수치 및 실제 실험에서 검증한다.

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.

연구 동기 및 목표

• 데이터 기반 모델링의 필요성과 이점을 강조하여 에너지 사용을 줄이려는 빌딩 MPC 연구의 동기 부여.
• ICNN 아키텍처를 확장하여 다단계 전진 예측을 위한 입력-출력 관계를 볼록하게 달성.
• ICNN 기반 동역학을 (준)볼록 MPC에 삽입하고 슬랙 변수를 통해 느슨한 상태 제약을 다루기.
• 실제 아파트 데이터로 기존 ICNN 구성과 예측 정확도를 비교하고 점유된 공간에서의 실제 MPC 성능을 평가.

제안 방법

• 다단계 예측의 볼록성을 확보하기 위해 추가 제약 및 활성화 함수를 갖춘 Fully ICNN (FICNN) 및 Partially ICNN (PICNN) 아키텍처를 사용.
• 합성하는 볼록하고 비감소 활성화 함수와 비음수 가중치 행렬이 다단계 예측에서 볼록성을 보존함을 보인다(정리 1 및 2).
• ICNN 동역학을 (준)볼록Cost 함수와 슬랙 변수를 통한 소프트 상태 제약을 가진 MPC 구문에 삽입한다.
• 실제 아파트 데이터를 사용한 교차 검증 폴드를 이용하여 Amos et al. (2017) 네트워크와의 예측 정확도를 비교한다.
• FICNN 및 PICNN을 활용한 MPC의 성능을 평가하기 위해 UMAR의 2베드룸 아파트에서 두 가지 실제 실험을 수행하여 냉방 에너지를 최소화하면서 쾌적성을 유지한다.

실험 결과

연구 질문

• RQ1 ICNN 기반 모델을 빌딩용 MPC에 적합하도록 다단계 예측에서 볼록하게 만들 수 있는가?
• RQ2 빌딩 온도 동역학에 대해 FICNN 및 PICNN가 기존 ICNN 구성에 비해 예측 정확도 측면에서 어떤 차이를 보이는가?
• RQ3 ICNN 기반 동역학을 (준)볼록 MPC에 느슨한 상태 제약과 함께 삽입하고 실시간 최적화를 보장할 수 있는가?
• RQ4 실제 아파트 실험에서 ICNN 주도 MPC의 실용적인 성능은 냉방 에너지 절감 및 쾌적성 유지 측면에서 어떠한가?

주요 결과

• FICNN 및 PICNN은 아키텍처 제약과 ReLU 기반 활성화로 다단계 볼록성을 달성할 수 있다(정리 1 및 2).
• 수치 평가에서 Amos 네트워크는 1시간 및 6시간 예측에서 제안된 ICNN 변형들보다 낮은 MSE를 보이며, 볼록성 제약과 유연성 간의 절충을 시사한다.
• 두 번의 실제 실험에서 ICNN을 활용한 MPC는 시간에 따라 변하는 쾌적성 제약 내에서 방 온도를 유지하면서 냉방 에너지 사용을 감소시켰다.
• PICNN은 과냉방을 피하는 경향이 있으며 주요 시간대에 상한 쾌적도 한계를 맞추었고, 때때로 FICNN은 필요 이상으로 냉각하는 경향이 있다.