[论文解读] Input Convex Neural Networks for Building MPC

Felix Bünning, Adrian Schalbetter+4 more|arXiv (Cornell University)|Nov 26, 2020

Advanced Control Systems Optimization参考文献 12被引用 33

一句话总结

该论文将 Input Convex Neural Networks (ICNNs) 改编为在建筑能源管理的模型预测控制（MPC）中实现多步预测，并在数值与真实世界实验中对其进行验证。

ABSTRACT

Model Predictive Control in buildings can significantly reduce their energy consumption. The cost and effort necessary for creating and maintaining first principle models for buildings make data-driven modelling an attractive alternative in this domain. In MPC the models form the basis for an optimization problem whose solution provides the control signals to be applied to the system. The fact that this optimization problem has to be solved repeatedly in real-time implies restrictions on the learning architectures that can be used. Here, we adapt Input Convex Neural Networks that are generally only convex for one-step predictions, for use in building MPC. We introduce additional constraints to their structure and weights to achieve a convex input-output relationship for multistep ahead predictions. We assess the consequences of the additional constraints for the model accuracy and test the models in a real-life MPC experiment in an apartment in Switzerland. In two five-day cooling experiments, MPC with Input Convex Neural Networks is able to keep room temperatures within comfort constraints while minimizing cooling energy consumption.

研究动机与目标

• 为建筑物 MPC 推动数据驱动建模，以在不需要昂贵的第一性原理模型的情况下降低能耗。
• 扩展 ICNN 架构，以实现多步预测的凸输入输出关系。
• 将基于 ICNN 的动力学嵌入到（准）凸形 MPC 中，并通过松弛变量处理下界状态约束。
• 评估预测精度与先前的 ICNN 公式相比，并展示在实际占用公寓中的 MPC 性能。

提出的方法

• 采用 Fully ICNN (FICNN) 与 Partially ICNN (PICNN) 架构，并引入额外的约束和激活函数以确保多步预测的凸性。
• 证明将凸且非降序的激活函数与非负权重矩阵的复合保持多步预测中的凸性（命题 1 与命题 2）。
• 将 ICNN 动力学嵌入到（准）凸 MPC 公式中，采用凸或准凸代价函数以及通过松弛变量实现的软状态约束。
• 使用带交叉验证折的真实公寓数据，与 Amos 等人（2017）网络在预测精度方面进行比较。
• 在两居 UMAR 公寓中进行两次真实实验，以评估在维持舒适度的同时用 FICNN 与 PICNN 的 MPC 性能，从而降低制冷能耗。

实验结果

研究问题

• RQ1 是否可以将基于 ICNN 的模型变为凸性，以实现适用于建筑物的多步前瞻预测用于 MPC？
• RQ2 与先前的 ICNN 公式相比，FICNN 和 PICNN 在建筑温度动力学预测精度方面的表现如何？
• RQ3 在确保可行的实时优化的同时，基于 ICNN 的动力学能否嵌入到带软状态约束的（准）凸 MPC？
• RQ4 在真实公寓实验中，基于 ICNN 的 MPC 在制冷节能和舒适维持方面的实际表现如何？

主要发现

• 通过架构约束和基于 ReLU 的激活，FICNN 和 PICNN 的多步凸性可实现（命题1 和命题2）。
• 在数值测试中，Amos 网络在1小时和6小时预测的均方误差低于所提 ICNN 变体，表明凸性约束与灵活性之间存在权衡。
• 在两次真实实验中，使用 ICNN 的 MPC 使房间温度保持在随时间变化的舒适约束内，同时降低了制冷能耗。
• PICNN 趋向于避免过度制冷，在关键时间点与上限舒适限值相匹配，而 FICNN 有时会过度制冷。