数据对具有智能储能建筑中模型预测控制性能的影响

开发用于建筑能源系统中模型预测控制 (MPC) 方案的预测模型需要数据。然而，数据的收集和利用成本高昂。确定成本最优的数据使用策略需要了解预测精度及其所实现的 MPC 运行性能。本研究利用历史建筑能源数据的模拟案例研究，调查了简单和最先进的机器学习预测模型在多重建筑能源系统 MPC 中的性能。量化了提高模型数据效率的措施对预测精度的影响，具体包括：预测模型的复用、训练数据时长的减少、模型数据特征的减少以及在线模型训练。研究表明，简单的线性多层感知机模型提供了与最先进模型相当的预测精度，同时具有更高的数据效率和泛化能力。使用超过 2 年的训练数据进行负荷预测模型并未显著提高预测精度。通过使用变点分析筛选训练数据，同时提高了预测精度和数据效率。复用模型和使用 3 个月数据训练的模型平均误差比基线高 10%，这表明在没有预先收集数据的情况下部署 MPC 系统可能是经济的。