模块化神经网络融合物理先验用于智能建筑控制：精度还是一致性？
系统与控制
2024-12-05 v1 系统与控制
摘要
模型预测控制可实现显著的能源节省，提供电网灵活性，并缓解碳排放。然而，确定单个控制导向建筑动力学模型的挑战限制了大规模实际应用的范围。为此，本研究提出了一种模块化神经网络融合物理先验（ModNN），其能够在不进行大量建模工作的情况下，在数分钟内建立一个控制导向且物理一致的建筑动力学模型。这也是首次对给定数据驱动模型进行定性和定量评估其物理一致性的方法。我们比较了经典长短期记忆（LSTM）模型和本ModNN的物理一致性。ModNN严格满足物理约束，而LSTM模型学习了矛盾的系统动力学。此外，我们在EnergyPlus虚拟测试台上比较了它们的控制性能。虽然LSTM模型在动态建模中显示出略好的预测精度，但在控制优化中失败了，导致温度违规达到89°C-h，而ModNN仅出现0.57°C-h的违规，并实现了最高78%的峰值负荷降低。我们的发现突显了将物理先验纳入数据驱动模型中的重要性，并为未来的智能建筑控制优化提供了有前景的解决方案。此外，提出的评估框架定义了两种物理一致性指标，为选择和测试控制导向、数据驱动建筑动力学模型提供了指导方针。
引用
@article{arxiv.2412.02943,
title = {Modularized Neural Network Incorporating Physical Priors for Smart Building Control, Accuracy or Consistency?},
author = {Zixin Jiang and Bing Dong},
journal= {arXiv preprint arXiv:2412.02943},
year = {2024}
}