[论文解读] A Sequential Modelling Approach for Indoor Temperature Prediction and Heating Control in Smart Buildings

Yongchao Huang, Hugh Miles+1 more|arXiv (Cornell University)|Sep 21, 2020

Building Energy and Comfort Optimization参考文献 18被引用 5

一句话总结

本文提出了一种两阶段、数据驱动的序列建模框架，用于智能建筑中的室内温度预测与供暖控制。该框架首先使用自回归（AR）模型预测环境条件，随后采用XGBoost进行多变量预测，利用真实物联网传感器数据实现了精确的温度轨迹预测，并有效实现了供暖控制，展示了在智能建筑中提升能效的强劲潜力。

ABSTRACT

The rising availability of large volume data, along with increasing computing power, has enabled a wide application of statistical Machine Learning (ML) algorithms in the domains of Cyber-Physical Systems (CPS), Internet of Things (IoT) and Smart Building Networks (SBN). This paper proposes a learning-based framework for sequentially applying the data-driven statistical methods to predict indoor temperature and yields an algorithm for controlling building heating system accordingly. This framework consists of a two-stage modelling effort: in the first stage, an univariate time series model (AR) was employed to predict ambient conditions; together with other control variables, they served as the input features for a second stage modelling where an multivariate ML model (XGBoost) was deployed. The models were trained with real world data from building sensor network measurements, and used to predict future temperature trajectories. Experimental results demonstrate the effectiveness of the modelling approach and control algorithm, and reveal the promising potential of the mixed data-driven approach in smart building applications. By making wise use of IoT sensory data and ML algorithms, this work contributes to efficient energy management and sustainability in smart buildings.

研究动机与目标

• 开发一种基于真实世界传感器数据的、用于预测智能建筑中室内温度轨迹的数据驱动方法。
• 设计一种集成单变量与多变量机器学习模型的序列建模框架，以提升预测精度。
• 基于预测的温度趋势实现智能供暖控制，以增强能效。
• 利用真实建筑传感器网络测量数据评估所提出框架的有效性。
• 展示混合数据驱动方法在可持续建筑能效管理中的可行性。

提出的方法

• 采用两阶段建模方法：首先，使用单变量自回归（AR）模型预测环境温度条件。
• 将AR模型的预测结果与其他控制变量（如人员密度、室外温度）结合，构成第二阶段模型的输入特征。
• 基于这些组合特征，训练一个多变量机器学习模型XGBoost，以预测未来的室内温度轨迹。
• 该框架利用建筑传感器网络的真实数据进行模型训练与验证。
• 将预测结果用于驱动加热控制算法，据此调节HVAC系统。
• 整个系统基于真实智能建筑环境中的实测数据进行训练与评估。

实验结果

研究问题

• RQ1 结合单变量与多变量模型的序列建模方法，能否提升智能建筑中室内温度预测的准确性？
• RQ2 在使用物联网传感器数据时，AR与XGBoost模型的集成在预测室内温度轨迹方面的有效性如何？
• RQ3 基于预测的温度轨迹，能在多大程度上实现高效且自适应的供暖控制？
• RQ4 使用真实建筑传感器数据对所提出基于学习的控制框架性能有何影响？
• RQ5 与传统控制方法相比，该框架在能效与预测可靠性方面表现如何？

主要发现

• 两阶段序列建模方法相比基线方法显著提升了室内温度预测的准确性。
• AR与XGBoost模型的集成能够利用真实建筑传感器数据，实现对未来温度轨迹的稳健预测。
• 基于预测温度的控制算法能有效调节供暖系统，减少能源浪费。
• 实验结果证实了该框架在真实智能建筑应用中的有效性。
• 本研究展示了混合数据驱动方法在可持续且高效的建筑能效管理中的强大潜力。
• 由于依赖广泛可用的物联网数据和高效的机器学习模型，该框架在智能建筑网络中具备良好的可扩展部署前景。