基于高阶动态模态分解的地下农业农场能量建模与预报
机器学习
2023-06-28 v1
摘要
本文提出一种基于高阶动态模态分解（HODMD）的方法，用于对位于伦敦一处改造地下隧道中的城市农业农场的能量行为进行建模、分析与预报，其中观测数据受噪声及偶发瞬态条件影响。HODMD 是一种数据驱动的降阶建模方法，通常用于分析和预测流体动力学中高度噪声与复杂的流动或来自动力系统的任意复杂数据。HODMD 是经典动态模态分解方法（DMD）的近期扩展，适用于测量数据底层谱复杂度高于其空间复杂度的场景，例如该农场的环境行为。HODMD 采用时间延迟嵌入方法，以半自动方式将时间数据分解为具有物理意义的 DMD 模态的线性展开。我们将 HODMD 应用于使用位于地下农场横截面中心的传感器实测数据的三个季节场景。通过研究，我们揭示了跨环境场景一致地支配农场中心环境行为的三个可物理解释的模态对。随后，我们展示了如何仅利用这些模态重构观测时间序列的基本结构，并作为单一、紧凑且可解释的降阶模型预报未来三天。我们发现 HODMD 可作为数字孪生中预测建模的一种稳健半自动建模替代方案。
引用
@article{arxiv.2306.15089,
title = {Energy Modelling and Forecasting for an Underground Agricultural Farm using a Higher Order Dynamic Mode Decomposition Approach},
author = {Zack Xuereb Conti and Rebecca Ward and Ruchi Choudhary},
journal= {arXiv preprint arXiv:2306.15089},
year = {2023}
}