用于建筑模型预测控制的输入凸神经网络

建筑中的模型预测控制（MPC）可显著降低其能耗。为建筑建立并维护第一性原理模型所需的成本与工作量，使数据驱动建模成为该领域中有吸引力的替代方案。在MPC中，模型构成优化问题的基础，该问题的解提供施加于系统的控制信号。该优化问题必须实时反复求解，这对可使用的学习架构提出了限制。在此，我们改造通常仅对单步预测为凸的输入凸神经网络（Input Convex Neural Networks），以用于建筑MPC。我们对其结构与权重引入额外约束，以实现多步超前预测的凸输入输出关系。我们评估了这些额外约束对模型精度的影响，并在瑞士一处公寓的真实MPC实验中测试了模型。在两次为期五天的制冷实验中，采用输入凸神经网络的MPC能够在最小化制冷能耗的同时将室内温度保持在舒适度约束内。