[论文解读] Data-driven modeling, control and tools for cyber-physical energy systems

Madhur Behl, Achin Jain+1 more|arXiv (Cornell University)|Apr 11, 2016

Smart Grid Energy Management参考文献 17被引用 23

一句话总结

本文提出了一种基于数据的控制框架 mbCRT，用于大型建筑的需求响应（DR），利用回归树预测基线并合成最优控制动作。与基于规则的 DR 相比，其性能提升 17%，减少需量削减 380 kW，并节省超过 45,000 美元。该方法已集成至开源的 DR-Advisor 工具中，在 8 栋建筑中实现了 92.8–98.9% 的预测准确率。

ABSTRACT

Demand response (DR) is becoming important as the volatility on the grid continues to increase. Current DR approaches are either completely manual or involve deriving first principles based models which are extremely cost and time prohibitive to build. We consider the problem of data-driven DR for large buildings which involves predicting the demand response baseline, evaluating fixed DR strategies and synthesizing DR control actions. We provide a model based control with regression trees algorithm (mbCRT), which allows us to perform closed-loop control for DR strategy synthesis for large buildings. Our data-driven control synthesis algorithm outperforms rule- based DR by 17% for a large DoE commercial reference building and leads to a curtailment of 380 kW and over $45,000 in savings. Our methods have been integrated into an open source tool called DR-Advisor, which acts as a recommender system for the building's facilities manager and provides suitable control actions to meet the desired load curtailment while maintaining operations and maximizing the economic reward. DR-Advisor achieves 92.8% to 98.9% prediction accuracy for 8 buildings on Penn's campus. We compare DR-Advisor with other data driven methods and rank 2nd on ASHRAE's benchmarking data-set for energy prediction.

研究动机与目标

• 解决为大型建筑的需求响应（DR）构建第一性原理模型所需高昂成本和长时间的问题。
• 开发一种可扩展的、基于数据的 DR 方法，实现闭环控制，无需依赖人工或物理建模。
• 通过利用历史数据合成最优控制动作，提升 DR 性能，超越基于规则的策略。
• 开发开源工具 DR-Advisor，协助设施管理人员做出实时、经济最优的 DR 决策。

提出的方法

• 提出一种基于模型的控制方法（mbCRT），利用回归树从历史建筑数据中学习，以预测基线能耗。
• 使用回归树对建筑运行与能耗之间的复杂非线性关系进行建模，以实现基线预测的高精度。
• 将 mbCRT 集成至闭环控制框架中，根据实时反馈动态合成 DR 控制动作。
• 开发 DR-Advisor 作为开源推荐系统，向设施管理人员提供可操作的控制策略。
• 在宾夕法尼亚大学 8 栋建筑的真实数据上训练并验证模型，采用基于数据的方法，避免依赖详细的建筑物理特性。
• 使用 ASHRAE 的标准基准数据集，将性能与基于规则的 DR 及其他基于数据的方法进行对比。

实验结果

研究问题

• RQ1 基于数据的控制合成方法是否能在经济收益和需量削减效率方面超越基于规则的 DR 策略？
• RQ2 在不依赖第一性原理建模的情况下，回归树在大型商业建筑中预测基线能耗的准确性如何？
• RQ3 mbCRT 算法在真实建筑运行中实现需求响应闭环控制的有效性如何？
• RQ4 DR-Advisor 工具在真实校园网络中多种建筑类型上的预测准确率和经济影响如何？
• RQ5 在标准基准数据集上，所提出方法与其他基于数据的方法相比表现如何？

主要发现

• 基于 mbCRT 的数据驱动控制方法在大型美国能源部（DoE）商业参考建筑中，相比基于规则的 DR，经济性能提升 17%。
• 该方法在实现超过 45,000 美元节省的同时，将负荷削减达 380 kW，展现出显著的成本效率。
• DR-Advisor 在宾夕法尼亚大学校园 8 栋建筑中实现了 92.8% 至 98.9% 的预测准确率，表明其在真实环境中的强泛化能力。
• 在 ASHRAE 的基准数据集中，该工具在能源预测方面排名第二，验证了其相对于其他基于数据方法的鲁棒性。
• 将 mbCRT 集成至 DR-Advisor 使得实时、经济最优的控制决策成为可能，同时维持建筑正常运行和人员舒适度。
• DR-Advisor 的开源部署使得在无需详细建模的前提下，可在大型建筑组合中实现可扩展、低成本的 DR 实施。