[论文解读] Adaptive Data-Driven Prediction in a Building Control Hierarchy: A Case Study of Demand Response in Switzerland

Jicheng Shi, Yingzhao Lian+2 more|arXiv (Cornell University)|Jul 17, 2023

Smart Grid Energy ManagementEngineering被引用 3

一句话总结

本文提出了一种基于Willems基本引理（DeePC）的数据驱动预测控制框架，用于瑞士需求响应计划中的自适应建筑控制。该框架可无缝集成至三层分层控制体系中，用于二次调频控制，在52天内将运行成本降低28.74%，且仅需极少调参，并通过仅使用数天的运行数据实现自动模型更新。

ABSTRACT

By providing various services, such as Demand Response (DR), buildings can play a crucial role in the energy market due to their significant energy consumption. However, effectively commissioning buildings for such desired functionalities requires significant expert knowledge and design effort, considering the variations in building dynamics and intended use. In this study, we introduce an adaptive data-driven prediction scheme based on Willems' Fundamental Lemma within the building control hierarchy. This scheme offers a versatile, flexible, and user-friendly interface for diverse prediction and control objectives. We provide an easy-to-use tuning process and an adaptive update pipeline for the scheme, both validated through extensive prediction tests. We evaluate the proposed scheme by coordinating a building and an energy storage system to provide Secondary Frequency Control (SFC) in a Swiss DR program. Specifically, we integrate the scheme into a three-layer hierarchical SFC control framework, and each layer of this hierarchy is designed to achieve distinct operational goals. Apart from its flexibility, our approach significantly improves cost efficiency, resulting in a 28.74% reduction in operating costs compared to a conventional control scheme, as demonstrated by a 52-day experiment in an actual building. Our findings emphasize the potential of the proposed scheme to reduce the commissioning costs of advanced building control strategies and to facilitate the adoption of new techniques in building control.

研究动机与目标

• 降低传统先进建筑控制策略实施过程中所需的高昂调试成本和专家投入。
• 通过用数据驱动替代方案取代参数化模型，解决模型预测控制（MPC）中建筑模型辨识的挑战。
• 为建筑能源系统中多样化的控制目标，提供灵活、用户友好且自适应的预测能力。
• 在瑞士辅助服务市场中，于真实建筑控制场景下验证所提方法在二次调频（SFC）中的有效性。
• 通过实时数据自适应和极少人工干预，实现显著的成本节约和运行效率提升。

提出的方法

• 基于Willems基本引理的DeePC（数据赋能预测控制）方法，利用运行时的输入/输出数据构建非参数化、数据驱动的模型。
• 提出一种用户友好的调参流程，提供明确的Hankel矩阵大小T选择指南，降低对专家校准的依赖。
• 实施一种自适应更新流程，通过近期运行数据自动刷新Hankel矩阵，实现模型的实时自适应。
• 将DDP预测器集成至三层分层控制架构中：日前规划层、预测控制层和实时执行层。
• 采用双层DeePC公式，并引入物理规则过滤器，以确保模型一致性并防止对灵活性的高估。
• 应用二次规划（QP）和线性规划（LP）以在系统约束和市场要求下优化控制动作。

实验结果

研究问题

• RQ1 与传统参数化建模相比，基于DeePC的数据驱动预测方法是否能显著降低建筑控制系统的调试工作量和调参复杂度？
• RQ2 DeePC的自适应更新机制在建筑动态变化时，能否长期保持预测精度？
• RQ3 在真实建筑运行中，基于DeePC的控制方法在提供电网支持服务（如二次调频）时，能否实现显著的运行成本降低？
• RQ4 将物理约束整合到DeePC框架中，是否能在实际应用中提升可靠性与控制性能？
• RQ5 所提方法是否能在极少历史数据条件下实现高性能，从而适用于多种建筑类型的快速部署？

主要发现

• 所提出的基于DDP的控制方案在为期52天的真实世界实验中，相比传统控制方案，将运行成本降低了28.74%。
• 2022年，预测控制器仅需5天运行数据，日前规划器仅需10天运行数据，远低于2017年参数化模型辨识所需的2周和1周。
• 自适应更新流程实现了无需人工调参的持续模型优化，提升了长期预测精度和系统响应能力。
• 针对Hankel矩阵大小T的用户友好调参指南降低了对专家干预的需求，提升了在不同建筑中部署的可行性。
• 在双层DeePC框架中整合物理规则，防止了对灵活性的高估，相比无约束模型，显著提升了预测可靠性。
• 该方法在真实世界SFC应用中表现出色，成功协调建筑与储能系统，以高精度和高成本效率提供电网服务。