[论文解读] End-to-end deep meta modelling to calibrate and optimize energy consumption and comfort

Max Cohen, Sylvain Le Corff+3 more|arXiv (Cornell University)|Feb 1, 2021

Building Energy and Comfort Optimization参考文献 29被引用 11

一句话总结

本文提出了一种端到端的深度元建模框架，利用基于循环神经网络（RNN）的元模型对办公建筑的能耗和热舒适度进行校准与优化，该元模型基于仿真数据进行训练。通过用快速、可微分的代理模型替代计算成本高昂的物理仿真器，该方法仅需稀疏的传感器数据即可高效校准多达60个未知建筑参数，在保持目标舒适度水平的同时实现最高10%的能耗降低，通过多目标优化实现。

ABSTRACT

In this paper, we propose a new end-to-end methodology to optimize the energy performance as well as comfort and air quality in large buildings without any renovation work. We introduce a metamodel based on recurrent neural networks and trained to predict the behavior of a general class of buildings using a database sampled from a simulation program. This metamodel is then deployed in different frameworks and its parameters are calibrated using the specific data of two real buildings. Parameters are estimated by comparing the predictions of the metamodel with real data obtained from sensors using the CMA-ES algorithm, a derivative free optimization procedure. Then, energy consumptions are optimized while maintaining a target thermal comfort and air quality, using the NSGA-II multi-objective optimization procedure. The numerical experiments illustrate how this metamodel ensures a significant gain in energy efficiency, up to almost 10%, while being computationally much more appealing than numerical models and flexible enough to be adapted to several types of buildings.

研究动机与目标

• 解决在不进行昂贵改造的情况下优化办公建筑能耗与热舒适度的挑战。
• 克服在校准与优化过程中物理建筑仿真模型计算成本过高的问题。
• 开发一种快速、可微分的代理模型（元模型），以在多样化场景下准确预测建筑性能。
• 利用来自弱化配置建筑的有限真实传感器数据校准未知建筑参数（例如，热容量、窗面积）。
• 通过Pareto前沿实现多目标优化，以最小化能耗并维持热舒适度，同时计算开销极低。

提出的方法

• 在物理仿真器（如TRNSYS）生成的数千个仿真场景上训练基于RNN的元模型，输入为建筑几何、气象条件和暖通空调设置。
• 采用无导数优化方法通过最小化预测值与真实传感器数据之间的损失来校准元模型，以估计多达60个未知物理参数。
• 应用基于Pareto前沿的多目标优化，寻找在最小化能耗的同时保持热舒适度的最优暖通空调设置。
• 在校准与优化流程中，用训练好的RNN元模型替代原始物理仿真器，使计算时间减少70倍以上。
• 将RNN与基于注意力机制的Transformer模型进行比较，评估其在建筑能耗预测中的序列建模性能。
• 通过真实建筑数据对元模型进行微调，以考虑物理仿真器未捕捉到的传感器噪声和未建模动态。

实验结果

研究问题

• RQ1 基于深度学习的元模型能否在保证可接受精度的同时，显著降低计算时间，从而替代物理仿真器用于建筑能耗校准与优化？
• RQ2 基于RNN的元模型在仅使用稀疏传感器数据的情况下，对未知建筑参数（如热容量、窗墙比）的估计效果如何？
• RQ3 通过Pareto前沿的多目标优化，能在多大程度上降低真实建筑的能耗，同时维持热舒适度？
• RQ4 RNN在预测建筑能耗动态方面与基于注意力机制的模型（如Transformer）相比表现如何？
• RQ5 通过微调，元模型能否适应真实世界中的传感器噪声和使用波动性，从而提升校准的鲁棒性？

主要发现

• 基于RNN的元模型相比TRNSYS将计算时间减少了70倍，使复杂建筑模型的校准成为可能。
• 第一个建筑的校准在300次迭代内收敛，第二个建筑在10,000次迭代内收敛，若使用TRNSYS将耗时约100天。
• 斯坦利大楼能耗降低了5.3%，利文斯通大楼能耗降低了9.9%，同时保持了同等水平的热舒适度。
• 通过允许舒适度降低0.5°C，能耗进一步降低了最多17%。
• 元模型成功地仅通过少数传感器在弱化配置建筑中估计了多达60个未知参数（如热容量、渗透率）。
• 在真实数据上对元模型进行微调后，其在未见测试时段的预测精度得到提升，证明了其对传感器噪声和使用波动性的鲁棒性。