基于监督学习的暖通空调系统最优需求响应策略
机器学习
2019-05-01 v1 系统与控制
信号处理
机器学习
摘要
建筑较大的热容量使得供暖、通风和空调 (HVAC) 系统可用作需求响应 (DR) 资源。HVAC 设备的最优 DR 具有挑战性,尤其对于多区域建筑,因为这需要用于 HVAC 系统运行和建筑热状况的区域温度变化详细物理模型。本文提出一种基于监督学习 (SL) 的多区域建筑 HVAC 系统最优 DR 新策略。人工神经网络 (ANNs) 使用正常建筑运行条件下获得的数据进行训练。这些 ANNs 通过分段线性方程复制,并被显式集成到基于价格 DR 的最优调度问题中。针对不同的电价和建筑热状况求解该优化问题。所得解进一步用于训练深度神经网络 (DNN) 以直接确定最优 DR 调度,此处称为监督学习辅助元预测 (SLAMP)。使用三种不同方法进行案例研究:显式 ANN 复制 (EAR)、SLAMP 和基于物理的建模。案例研究结果验证了所提基于 SL 的策略在实际适用性和计算时间方面的有效性,同时也确保了居住者的热舒适和 HVAC 系统的经济高效运行。
引用
@article{arxiv.1904.13304,
title = {A supervised-learning-based strategy for optimal demand response of an HVAC System},
author = {Youngjin Kim},
journal= {arXiv preprint arXiv:1904.13304},
year = {2019}
}
备注
12 pages