[论文解读] End-to-end deep metamodeling to calibrate and optimize energy loads

Max Cohen, Maurice Charbit+3 more|arXiv (Cornell University)|Jun 19, 2020

Building Energy and Comfort Optimization参考文献 28被引用 4

一句话总结

本文提出了一种基于Transformer的端到端深度元建模框架，利用神经网络对大型建筑的能源负荷进行校准与优化。该模型在EnergyPlus仿真数据上进行训练，并通过CMA-ES算法结合真实传感器数据进行优化，实现了对暖通空调（HVAC）设置的多目标优化，以在保持热舒适性和室内空气质量的同时降低能耗，显著提升了计算效率并实现节能效果，且无需进行物理改造。

ABSTRACT

In this paper, we propose a new end-to-end methodology to optimize the energy performance and the comfort, air quality and hygiene of large buildings. A metamodel based on a Transformer network is introduced and trained using a dataset sampled with a simulation program. Then, a few physical parameters and the building management system settings of this metamodel are calibrated using the CMA-ES optimization algorithm and real data obtained from sensors. Finally, the optimal settings to minimize the energy loads while maintaining a target thermal comfort and air quality are obtained using a multi-objective optimization procedure. The numerical experiments illustrate how this metamodel ensures a significant gain in energy efficiency while being computationally much more appealing than models requiring a huge number of physical parameters to be estimated.

研究动机与目标

• 开发一种计算高效的建筑能源性能优化方法，避免昂贵的物理改造。
• 解决利用实时传感器数据校准高维物理模型的挑战。
• 将热舒适性、室内空气质量与能源负荷最小化整合到统一的多目标优化框架中。
• 降低传统基于物理的仿真与优化流程的计算负担。
• 通过基于仿真数据训练并结合真实建筑测量数据微调的代理元模型，实现实时、数据驱动的HVAC控制。

提出的方法

• 基于EnergyPlus仿真生成的大规模数据集，训练基于Transformer的神经网络，以预测多种HVAC与气象变量下的室内温度和能耗。
• 通过CMA-ES优化算法，利用真实传感器数据（室内温度与供热消耗）对元模型进行校准，以调整物理参数与建筑管理设置。
• 结合校准后的元模型与CMA-ES算法，采用多目标优化流程，识别在维持目标舒适度与空气质量水平的同时最小化能源负荷的最优HVAC设置。
• 通过网格搜索对包括潜在维度、注意力头数、层数与注意力大小在内的超参数进行调优，以最大化预测准确性。
• 采用混合方法：以仿真数据生成用于训练，以真实世界数据用于校准，从而提升对实际建筑变异性的鲁棒性。
• 输出变量包括室内温度、冷却、加热与设备能耗，这些变量在校准过程中被聚合并与真实测量值进行对比。

实验结果

研究问题

• RQ1 基于仿真生成的训练数据，基于深度Transformer的元模型能否准确预测建筑的能源负荷与室内温度？
• RQ2 真实传感器数据在多大程度上可有效用于校准物理信息元模型，以反映实际建筑行为？
• RQ3 经校准的元模型在多大程度上可降低大型建筑的能耗，同时维持热舒适性与室内空气质量？
• RQ4 与传统的基于物理的仿真与优化流程相比，所提出的端到端方法在计算效率方面表现如何？
• RQ5 超参数调优对基于Transformer的元模型在建筑能耗预测任务中的性能有何影响？

主要发现

• 基于Transformer的元模型在多种HVAC与气象条件下，对室内温度与能源负荷的预测均表现出高精度，如图5所示的分布分析验证了这一点。
• 通过真实传感器数据进行的校准步骤显著提升了模型保真度，减少了模拟与实际室内温度及供热消耗之间的差异。
• 多目标优化流程成功识别出在维持目标热舒适度与空气质量水平的同时降低总能源负荷的HVAC设置。
• 该框架在计算效率方面相较于传统基于物理的仿真方法具有显著优势，实现了更快的优化速度，且无需进行大量物理参数估计。
• 模型在不同建筑配置下表现稳健，数据集中多日与多种气象条件下的结果一致性证明了这一点。
• 通过网格搜索进行的超参数调优确定了最优设置（如 d_emb=64, h=8, N=4, Δ=12），显著提升了模型的预测稳定性与准确性。