端到端深度元建模以校准与优化能耗及舒适度
信号处理
2021-11-08 v2 人工智能
摘要
本文提出一种无需任何翻新工程即可优化大型建筑能效表现以及舒适度与空气质量的端到端新方法。我们引入基于循环神经网络的元模型，并使用从仿真程序采样得到的数据库训练其预测一类通用建筑的行为。该元模型随后部署于不同框架，并利用两栋真实建筑的特定数据校准其参数。参数估计通过将元模型预测与传感器获取的真实数据比较，使用无导数优化流程 CMA-ES 算法完成。接着，在保持目标热舒适度与空气质量的同时，使用 NSGA-II 多目标优化流程优化能耗。数值实验表明该元模型可确保能效显著提升，最高近 10%，且比数值模型计算开销小得多，并足够灵活以适应多种建筑类型。
引用
@article{arxiv.2105.02814,
title = {End-to-end deep meta modelling to calibrate and optimize energy consumption and comfort},
author = {Max Cohen and Sylvain Le Corff and Maurice Charbit and Marius Preda and Gilles Nozière},
journal= {arXiv preprint arXiv:2105.02814},
year = {2021}
}
备注
arXiv admin note: text overlap with arXiv:2006.12390