[论文解读] Building Model Identification during Regular Operation - Empirical Results and Challenges

Qie Hu, Frauke Oldewurtel+4 more|arXiv (Cornell University)|Mar 22, 2016

Building Energy and Comfort Optimization参考文献 10被引用 4

一句话总结

本文提出了一种基于物理的多区域建筑模型，该模型通过在常规建筑运行期间从实时数据中识别得出，解决了由人员和设备引起的内部得热不确定性问题。通过利用在线温度测量数据动态更新内部得热估计，与固定模型相比，预测精度平均提高了36%。

ABSTRACT

The inter-temporal consumption flexibility of commercial buildings can be harnessed to improve the energy efficiency of buildings, or to provide ancillary service to the power grid. To do so, a predictive model of the building's thermal dynamics is required. In this paper, we identify a physics-based model of a multi-purpose commercial building including its heating, ventilation and air conditioning system during regular operation. We present our empirical results and show that large uncertainties in internal heat gains, due to occupancy and equipment, present several challenges in utilizing the building model for long-term prediction. In addition, we show that by learning these uncertain loads online and dynamically updating the building model, prediction accuracy is improved significantly.

研究动机与目标

• 开发一种基于物理的多区域建筑模型，利用在常规建筑运行期间收集的数据，避免进行破坏性的激励实验。
• 解决长期热力预测精度中因内部得热（主要来自人员和设备）存在较大不确定性所带来的挑战。
• 通过利用当前温度测量数据实时动态更新内部得热估计，提升预测性能。
• 评估该模型在长期预测中的表现，并评估其在模型预测控制和电网辅助服务等应用中的适用性。

提出的方法

• 在常规运行期间进行激励实验，以扰动建筑并收集用于模型识别的数据。
• 使用双线性多区域热力模型来表示建筑的热力动态特性，包含区域之间的传热及暖通空调系统行为。
• 利用激励实验和周末数据识别模型参数，识别过程中假设内部得热为零。
• 基于8周的人员活动和温度数据估计一个固定的内部得热函数 $ f_{\text{IG}}(\cdot) $。
• 实施一种在线更新策略，假设在时间 $ k $ 的内部得热估计值在 $ k-1 $ 时保持不变，依据公式(10)：$ f_{\text{IG}}(k) = f_{\text{IG}}(k-1) $，基于当前温度测量数据进行更新。
• 将更新后的模型应用于预测24小时温度分布，并与实测数据对比验证性能。

实验结果

研究问题

• RQ1 能否在不进行广泛激励的情况下，仅利用常规建筑运行期间收集的数据，准确识别基于物理的多区域建筑模型？
• RQ2 内部得热的不确定性（尤其是来自人员和设备的）在多大程度上限制了建筑热力模型的长期预测精度？
• RQ3 与使用固定内部得热函数相比，在线动态估计内部得热是否能显著提高预测精度？
• RQ4 模型更新频率和估计策略对实际商业建筑中预测性能的影响如何？

主要发现

• 采用固定内部得热函数的模型在24小时预测时间范围内，所有区域的平均均方根预测误差为0.485°C。
• 采用在线更新内部得热的模型将平均均方根预测误差降低至0.308°C，预测精度平均提高了36%。
• 中心区域的改善最为显著，误差从0.38°C降至0.16°C，表明其对内部得热不确定性高度敏感。
• 西北区域表现出最高的基线误差（使用固定得热时为0.84°C），凸显了对具有复杂热力特性的区域建模的挑战。
• 随着预测时间范围的延长，预测误差显著增加，主要原因是未建模或不确定的内部得热。
• 动态更新策略通过假设内部得热在短期内保持不变，有效补偿了时变的内部得热，提高了模型鲁棒性，且无需事先掌握人员活动模式。