[论文解读] NeurOpt: Neural network based optimization for building energy management and climate control

Achin Jain, Francesco Smarra+3 more|arXiv (Cornell University)|Jan 21, 2020

Building Energy and Comfort OptimizationEngineering被引用 18

一句话总结

该论文提出NeurOpt，一种基于神经网络从历史传感器数据中学习建筑能效与温度动态的数据驱动模型预测控制（MPC）框架，无需依赖物理模型或系统改造即可实现节能与提升居住者舒适度。在意大利一座两层楼的真实建筑中，NeurOpt使能耗降低了5.7%，并提升了温度稳定性，优于基线规则控制策略。

ABSTRACT

Model predictive control (MPC) can provide significant energy cost savings in building operations in the form of energy-efficient control with better occupant comfort, lower peak demand charges, and risk-free participation in demand response. However, the engineering effort required to obtain physics-based models of buildings is considered to be the biggest bottleneck in making MPC scalable to real buildings. In this paper, we propose a data-driven control algorithm based on neural networks to reduce this cost of model identification. Our approach does not require building domain expertise or retrofitting of existing heating and cooling systems. We validate our learning and control algorithms on a two-story building with ten independently controlled zones, located in Italy. We learn dynamical models of energy consumption and zone temperatures with high accuracy and demonstrate energy savings and better occupant comfort compared to the default system controller.

研究动机与目标

• 降低建筑能效管理中基于物理模型的建模所带来的高昂工程成本。
• 实现无需领域专业知识或系统改造的可扩展、数据驱动的模型预测控制（MPC）。
• 利用神经网络对能耗与区域温度动态进行建模，提升真实建筑中的能效与居住者舒适度。
• 证明黑箱神经网络模型可在真实建筑中有效替代传统基于物理的模型用于MPC。
• 在拥有十个独立控制区域的真实建筑上验证该方法，实现可量化的节能与舒适度提升。

提出的方法

• 利用建筑自动化系统（BAS）和气象站的历史数据，训练神经网络以建模能耗与区域温度动态。
• 将学习得到的神经网络模型集成到非线性MPC框架中，通过优化控制输入以平衡能耗与热舒适度。
• 实现两种MPC变体：MPC-min用于在满足舒适度限制的前提下最小化能耗，MPC-tracking用于将温度波动控制在设定点附近。
• MPC控制器作为监督层，动态调整设定点，而无需修改现有供暖系统。
• 通过LabVIEW本地服务器与基于云的Elasticsearch数据库之间的Modbus TCP/IP和OPC协议通信，实现实时数据流。
• 本地服务器与远程云数据库每15秒同步一次设定点与测量数据，以实现实时监控与控制。

实验结果

研究问题

• RQ1 仅使用历史传感器与气象数据，神经网络能否准确建模真实建筑中的能耗与区域温度动态？
• RQ2 基于神经网络的MPC控制器是否能在不修改现有HVAC系统的情况下，相比基线规则控制器实现显著的节能效果？
• RQ3 在能耗稳定性与居住者舒适度方面，神经网络MPC相较于规则控制的性能如何？
• RQ4 控制器是否能通过动态调整设定点，有效实现节能与热舒适度之间的权衡？
• RQ5 与基于物理的模型相比，使用黑箱神经网络对MPC的可扩展性与部署工作量有何影响？

主要发现

• 在意大利一座真实两层楼建筑中，为期三天的实验表明，NeurOpt相比基线规则控制器实现了5.7%的能耗降低。
• MPC-min控制器将区域温度维持在舒适度下限附近，降低了能耗，同时保持了热舒适度。
• MPC-tracking控制器显著降低了温度波动，相比基线实现了更好的居住者舒适度，且无需系统改造。
• 从历史数据中学习得到的神经网络模型准确捕捉了能耗与区域温度的非线性动态特性。
• 该方法消除了对基于物理建模的需求，降低了工程工作量，实现了MPC在真实建筑中的快速部署。
• 系统通过基于云的数据管道实现了实时运行，控制指令与传感器测量数据之间实现了15秒同步。