[论文解读] A supervised-learning-based strategy for optimal demand response of an HVAC System

Young‐Jin Kim|arXiv (Cornell University)|Apr 29, 2019

Building Energy and Comfort Optimization参考文献 34被引用 5

一句话总结

本文提出了一种基于监督学习的策略，称为 SLAMP（监督学习辅助元预测），用于多区域暖通空调（HVAC）系统的最优电价需求响应。通过在基于物理的优化求解结果上训练深度神经网络，并使用人工神经网络的分段线性近似，该方法实现了快速、精确的调度，同时保持热舒适性，并相比传统方法显著降低了计算时间。

ABSTRACT

The large thermal capacity of buildings enables heating, ventilating, and air-conditioning (HVAC) systems to be exploited as demand response (DR) resources. Optimal DR of HVAC units is challenging, particularly for multi-zone buildings, because this requires detailed physics-based models of zonal temperature variations for HVAC system operation and building thermal conditions. This paper proposes a new strategy for optimal DR of an HVAC system in a multi-zone building, based on supervised learning (SL). Artificial neural networks (ANNs) are trained with data obtained under normal building operating conditions. The ANNs are replicated using piecewise linear equations, which are explicitly integrated into an optimal scheduling problem for price-based DR. The optimization problem is solved for various electricity prices and building thermal conditions. The solutions are further used to train a deep neural network (DNN) to directly determine the optimal DR schedule, referred to here as supervised-learning-aided meta-prediction (SLAMP). Case studies are performed using three different methods: explicit ANN replication (EAR), SLAMP, and physics-based modeling. The case study results verify the effectiveness of the proposed SL-based strategy, in terms of both practical applicability and computational time, while also ensuring the thermal comfort of occupants and cost-effective operation of the HVAC system.

研究动机与目标

• 开发一种计算高效的策略，用于多区域 HVAC 系统的最优需求响应。
• 解决为区域温度控制和需求响应调度所需的高维、基于物理的建模挑战。
• 实现实时或近实时的需求响应调度，同时不牺牲热舒适性或运行成本效益。
• 用可学习的、快速的代理模型替代计算量大的基于物理的优化方法。
• 在准确性和速度方面，将该方法与传统基于物理的建模和显式人工神经网络（ANN）复制方法进行验证。

提出的方法

• 在正常 HVAC 运行条件下，基于物理仿真数据训练人工神经网络（ANN）。
• 使用分段线性方程复制训练好的 ANNs，以创建数学上可处理的近似模型。
• 将分段线性模型集成到不同电价和热环境条件下的电价需求响应优化问题中。
• 在多个场景下求解优化问题，以生成最优需求响应调度。
• 在这些最优调度上训练深度神经网络（DNN），以创建直接预测模型——SLAMP，实现实时推理。
• 使用 DNN 从输入条件（如电价、温度）直接预测最优 HVAC 调度，无需迭代优化。

实验结果

研究问题

• RQ1 监督学习模型能否在多样的电价和热环境条件下准确预测最优 HVAC 需求响应调度？
• RQ2 SLAMP 方法的计算效率与基于物理的优化和显式 ANN 复制相比如何？
• RQ3 SLAMP 模型在最小化运行成本的同时，能在多大程度上维持热舒适性？
• RQ4 人工神经网络的分段线性近似能否有效替代复杂基于物理的模型用于需求响应调度？
• RQ5 基于 DNN 的元预测策略是否实现了与传统基于优化的需求响应方法相当或更优的性能？

主要发现

• SLAMP 方法相比基于物理的优化显著降低了计算时间，实现了更快的实时需求响应决策。
• 所提出的方法维持了与基于物理模型相当的热舒适水平。
• SLAMP 通过准确响应动态电价信号，实现了成本效益高的 HVAC 运行。
• 对 ANNs 的分段线性近似在保持精度的同时，实现了与优化框架的高效集成。
• 案例研究显示，SLAMP 在计算效率方面优于显式 ANN 复制和基于物理的建模，且未牺牲解的质量。
• 深度神经网络成功学习了从环境和定价输入到最优 HVAC 调度的映射，展示了在各种场景下的强大泛化能力。