❖ 第一作者: Phillip Stoffel, RWTH Aachen University, Germany
❖ 通讯作者: Phillip Stoffel, RWTH Aachen University, Germany
❖ 作者邮箱: phillip.stoffel@eonerc.rwth-aachen.de
摘要
模型预测控制是减少建筑领域二氧化碳排放量的一种有前途的方法。然而，大量的建模工作阻碍了它的实际应用。在此，数据驱动过程模型（如人工神经网络）非常适合自动建模。然而，基础数据集在很大程度上决定了人工神经网络的质量和可靠性。一般来说，机器学习模型的有效范围仅限于用于训练模型的数据。基于该领域之外的系统状态的预测，即所谓的外推，是不可靠的，会对控制质量产生负面影响。我们提出了一种与在线学习相结合的安全运行方法，以处理数据驱动模型预测控制中的外推问题。在这里，我们使用 k 近邻算法来检测外推，从而切换到稳健的后备控制器。通过在运行过程中不断重新训练人工神经网络，我们逐步提高了人工神经网络的有效域和控制质量。我们采用 BOPTEST 框架提供的方法来控制建筑能源系统。我们根据两组数据对控制器进行了比较，一组是广泛的系统激励，另一组是基线运行。基线运行时，系统被控制在一个固定的温度设定点上。因此，在该数据集上训练的人工神经网络倾向于推断其他运行点。我们的研究表明，安全运行与在线学习相结合可显著提高性能。
详情可点击下方“阅读原文”
