[论文解读] Simulation and Optimisation of Air Conditioning Systems using Machine Learning

Rakshitha Godahewa, Chang Deng+2 more|arXiv (Cornell University)|Jun 27, 2020

Building Energy and Comfort Optimization参考文献 39被引用 6

一句话总结

该论文提出一种基于循环神经网络（RNN）的模型，用于预测无人占用建筑房间的室内温度，从而实现暖通空调（HVAC）系统动态温控设定点的优化。与基准模型（SVM、RF、MLR、FFNN）相比，RNN在预测精度方面表现更优，并将模拟加热时间最多减少28.28%，在真实世界的大礼堂场景中，与静态设定点相比，平均节能达20.26%。

ABSTRACT

In building management, usually static thermal setpoints are used to maintain the inside temperature of a building at a comfortable level irrespective of its occupancy. This strategy can cause a massive amount of energy wastage and therewith increase energy related expenses. This paper explores how to optimise the setpoints used in a particular room during its unoccupied periods using machine learning approaches. We introduce a deep-learning model based on Recurrent Neural Networks (RNN) that can predict the temperatures of a future period directly where a particular room is unoccupied and by using these predicted temperatures, we define the optimal thermal setpoints to be used inside the room during the unoccupied period. We show that RNNs are particularly suitable for this learning task as they enable us to learn across many relatively short series, which is necessary to focus on particular operation modes of the air conditioning (AC) system. We evaluate the prediction accuracy of our RNN model against a set of state-of-the-art models and are able to outperform those by a large margin. We furthermore analyse the usage of our RNN model in optimising the energy consumption of an AC system in a real-world scenario using the temperature data from a university lecture theatre. Based on the simulations, we show that our RNN model can lead to savings around 20% compared with the traditional temperature controlling model that does not use optimisation techniques.

研究动机与目标

• 解决建筑在无人占用时段因静态温控设定点导致的能源浪费问题。
• 开发一种机器学习模型，以准确预测未来无人占用时段的室内温度。
• 通过基于预测温度确定最佳冷却/加热启动时间，优化暖通空调系统运行。
• 在真实建筑环境中，评估所提出的RNN模型相较于最先进模型的能效提升效果。

提出的方法

• 基于循环神经网络（RNN）的深度学习模型，利用当前室内外温度数据训练以预测未来室内温度。
• 该RNN模型特别设计用于学习对应于不同暖通空调运行模式的多个短时序序列。
• 模型与基准模型（支持向量机SVM、随机森林RF、多元线性回归MLR、前馈神经网络FFNN）进行训练和评估对比。
• 通过识别房间在需要重新加热前可安全冷却至的最低温度，从RNN预测中推导出无人占用时段的最佳设定点。
• 使用仿真框架比较RNN优化系统与当前静态设定点系统在大学礼堂中的能耗表现。
• 通过最小化加热持续时间，确定空调的最佳启动时间，同时确保在预定使用时间前恢复热舒适性。

实验结果

研究问题

• RQ1 RNN模型在预测无人占用建筑时段的室内温度方面，是否显著优于传统机器学习模型？
• RQ2 基于RNN的温度预测精度如何影响暖通空调系统运行的优化效果？
• RQ3 与静态设定点相比，基于RNN预测动态调节温控设定点可实现多大程度的节能？
• RQ4 RNN模型能否有效处理实际建筑中暖通空调运行常见的短时、模式特定温度序列？

主要发现

• RNN模型在预测室内温度方面显著优于所有基准模型（SVM、RF、MLR、FFNN），展现出更优的预测精度。
• 平均而言，基于RNN的优化方案相比当前静态设定点系统，将加热时间减少了20.26%。
• 在周三，RNN模型预测的加热时间减少幅度达到最高，为28.28%，这得益于其能够预测更低的最优设定点（13.81°C）。
• 与SVM基准相比，RNN模型实现了更早的空调启动时间，尽管在周一、周二和周五没有下午无人占用时段，但仍实现了超过16%的节能效果。
• 仿真结果证实，通过RNN实现的精确温度预测可显著降低能耗，从而最小化无人时段不必要的暖通空调运行。
• 本研究证明，RNN特别适用于此类任务，因其能够有效建模时间依赖性，并处理暖通空调运行中常见的短时、模式特定序列。