​【Energy and AI】基于在线学习数据驱动的建筑能源系统模型预测控制的安全运行

文摘   2024-08-23 09:56   天津  



https://doi.org/10.1016/j.egyai.2023.100296

  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

Energy and AI是天津大学与Elsevier共同创办的国际学术期刊,内容涵盖人工智能技术应用于能源领域所取得的最新、最重要的研究进展。期刊最新的影响因子(IF)为9.6,CiteScore为16.5。欢迎广大学者踊跃投稿。我们的网址是:www.journals.elsevier.com/energy-and-ai


EAI能源与人工智能
天津大学官方期刊:Energy and AI
 最新文章