[论文解读] Modeling and Optimization of Complex Building Energy Systems with Deep Neural Networks

Yize Chen, Yuanyuan Shi+1 more|arXiv (Cornell University)|Nov 7, 2017

Building Energy and Comfort Optimization参考文献 2被引用 14

一句话总结

本文提出了一种基于数据驱动的深度学习框架，利用循环神经网络（RNN）在不依赖物理模型的情况下对复杂建筑能效系统进行建模与优化。通过在高分辨率传感器数据上训练RNN以捕捉时间动态，该方法将能量最小化问题表述为约束优化问题，并通过带动量的梯度下降法求解，与传统模型相比，能耗降低了30.74%。

ABSTRACT

Modern buildings encompass complex dynamics of multiple electrical, mechanical, and control systems. One of the biggest hurdles in applying conventional model-based optimization and control methods to building energy management is the huge cost and effort of capturing diverse and temporally correlated dynamics. Here we propose an alternative approach which is model-free and data-driven. By utilizing high volume of data coming from advanced sensors, we train a deep Recurrent Neural Networks (RNN) which could accurately represent the operation's temporal dynamics of building complexes. The trained network is then directly fitted into a constrained optimization problem with finite horizons. By reformulating the constrained optimization as an unconstrained optimization problem, we use iterative gradient descents method with momentum to find optimal control inputs. Simulation results demonstrate proposed method's improved performances over model-based approach on both building system modeling and control.

研究动机与目标

• 为解决基于物理或简化的RC模型在捕捉大型商业建筑中长期、时序相关动态时建模成本高、复杂度大的问题。
• 开发一种可扩展的数据驱动替代方案，利用大规模传感器数据与深度学习实现对建筑能效系统的精确建模。
• 将预测建模与实时控制整合到一个端到端的统一框架中，而无需显式系统方程。
• 通过在RNN预测的系统模型上进行基于梯度的优化，优化控制输入（例如，温度设定点），从而提高能效。

提出的方法

• 在历史建筑运行数据上训练一个包含一个循环层和三个全连接层的深度RNN，数据包括可控输入、不可控测量值和物理预报数据。
• RNN从55个输入特征（如区域温度、人员密度和天气预报）中学习复杂的时序依赖关系，以预测能耗。
• 通过罚函数法将控制优化问题从约束形式重新表述为无约束形式，从而实现在可控输入上的基于梯度的优化。
• 在有限的4小时时间范围内，对每个时间步应用带动量的迭代梯度下降法，以寻找最优控制输入（如区域设定点）。
• 在优化过程中施加温度设定点的物理约束，且该方法支持在建筑各区域之间分布式部署。
• 该框架使用TensorFlow实现，采用ReLU激活函数，使用Dropout进行正则化，并采用随机梯度下降进行训练。

实验结果

研究问题

• RQ1 仅使用传感器数据，深度RNN能否有效建模大型商业建筑能效系统的复杂、长期时序动态？
• RQ2 与传统的一阶RC模型相比，RNN建模在捕捉真实建筑能耗模式方面的性能如何？
• RQ3 与基于简化动力学的模型控制相比，RNN优化在多大程度上可降低能耗？
• RQ4 在不同温度设定点约束条件下，优化性能如何变化？
• RQ5 所提出的方法能否生成全局最优、区域特定的控制调度方案，以反映每日的人员活动与热力模式？

主要发现

• 与一阶RC模型相比，RNN模型将能耗预测的均方根误差（RMSE）降低了68.33%，RMSE从0.240降至0.076。
• RNN成功捕捉了非线性动态，例如由于人员作息安排导致的中午能耗下降，而RC模型未能体现该现象。
• 所提方法在基线条件下实现了30.74%的能耗降低，而基于RC模型的方法在相同约束下仅实现4.07%的能耗降低。
• 更宽泛的温度设定点约束（18°C–26°C）使该方法能够找到更陡峭、更节能的控制输入，优于更严格的约束（19°C–24°C）。
• 优化后的控制调度在不同区域呈现出明显的日周期模式，表明在真实建筑中应用时具备实现整体系统节能的潜力。
• 该方法在无需显式建模导热、对流或辐射过程的情况下，仍表现出对复杂非线性相互作用的鲁棒性。