[论文解读] Model Comparison of a Data-Driven and a Physical Model for Simulating HVAC Systems

Datong P. Zhou, Qie Hu+1 more|arXiv (Cornell University)|Mar 18, 2016

Building Energy and Comfort Optimization参考文献 6被引用 12

一句话总结

本文比较了用于模拟商业建筑暖通空调（HVAC）温度动态的低维数据驱动模型（半参数回归）与高维物理模型（基于RC的模型）。尽管物理模型精度更高，但两种模型在能效与居住者舒适度方面的最优控制策略几乎完全相同，表明简化版的数据驱动模型在控制器设计中已足够，性能损失可忽略。

ABSTRACT

Commercial buildings are responsible for a large fraction of energy consumption in developed countries, and therefore are targets of energy efficiency programs. Motivated by the large inherent thermal inertia of buildings, the power consumption can be flexibly scheduled without compromising occupant comfort. This temporal flexibility offers opportunities for the provision of frequency regulation to support grid stability. To realize energy savings and frequency regulation, it is of prime importance to identify a realistic model for the temperature dynamics of a building. We identify a low- dimensional data-driven model and a high-dimensional physics- based model for different spatial granularities and temporal seasons based on a case study of an entire floor of Sutardja Dai Hall, an office building on the University of California, Berkeley campus. A comparison of these contrasting models shows that, despite the higher forecasting accuracy of the physics-based model, both models perform almost equally well for energy efficient control. We conclude that the data-driven model is more amenable to controller design due to its low complexity, and could serve as a substitution for highly complex physics- based models with an insignificant loss of prediction accuracy for many applications. On the other hand, our physics-based approach is more suitable for modeling buildings with finer spatial granularities.

研究动机与目标

• 评估并比较数据驱动模型与物理模型在模拟商业建筑温度动态方面的性能。
• 评估每种模型在建筑HVAC系统中实现能效控制与频率调节的适用性。
• 确定低维数据驱动模型是否可在不显著损失控制性能的前提下替代复杂的物理模型。
• 研究在实际建筑应用中，模型精度、计算复杂度与控制器设计可行性之间的权衡。

提出的方法

• 基于Sutardja Dai Hall四楼一年的温度与VAV风量数据，使用半参数回归方法识别出数据驱动的状态空间模型。
• 利用详细的建筑几何结构、建筑构造数据及BRCM工具箱，对先前开发的基于电阻-电容（RC）的物理模型进行适配，应用于同一栋建筑。
• 通过开环预测精度与闭环模型预测控制（MPC）性能，在相同控制目标下对两种模型进行验证。
• 使用均方根（RMS）误差评估预测精度，并比较基于两种模型的MPC所得最优控制输入。
• 通过测量不同预测时域下MPC的求解时间，评估计算复杂度，特别关注物理模型的高成本问题。
• 基于数据需求、可扩展性、空间粒度与特定应用需求，进行定性分析以评估模型适用性。

实验结果

研究问题

• RQ1 在真实HVAC温度动态场景下，数据驱动模型与物理模型的预测精度如何比较？
• RQ2 在闭环能效控制中，低维数据驱动模型相对于高维物理模型的性能表现如何？
• RQ3 在在线控制器设计中，使用数据驱动模型与物理模型之间的计算权衡是什么？
• RQ4 在哪些应用场景下，数据驱动模型已足够，而何时必须使用更高保真度的物理模型？
• RQ5 数据可得性与模型复杂度如何影响两种模型在新建建筑中部署的可行性？

主要发现

• 物理模型的均方根（RMS）预测误差低于数据驱动模型，证实其因物理参数化而具有更高精度。
• 尽管物理模型预测精度更高，但在相同能效目标下，通过模型预测控制（MPC）获得的最优控制策略在两种模型间几乎完全一致。
• 数据驱动模型在五步预测时域下，单步MPC计算时间不足15分钟；而物理模型每步超过15分钟，导致其难以满足实时在线控制的计算需求。
• 数据驱动模型更具可扩展性，且在新建筑中更易部署，因其仅需温度与VAV风量数据，而物理模型则需详细的建筑几何与构造数据。
• 物理模型可提供更精细的空间粒度（单间级预测），而数据驱动模型假设区域内温度均匀。
• 对于需要长时域规划（如24小时）的应用（如频率调节），数据驱动模型因维度低、计算快而更合适；而物理模型更适合在关键区域保持精确温度控制。