建筑预测性热控制的在线模型估计
系统与控制
2016-01-13 v1 机器学习
摘要
本研究提出一种通用、可扩展的方法，用于学习面向控制的建筑热模型，从而能够广泛部署具有成本效益的预测控制。一个增强用于参数与扰动估计的无迹卡尔曼滤波器（Unscented Kalman Filter）被证明能准确学习和预测建筑的热响应。近期关于供暖、通风与空调（HVAC）系统的研究显示了先进模型预测控制（MPC）带来的显著节能。历史上，一种可便捷获取单个建筑独特热围护结构准确、鲁棒模型的可扩展且经济的方法一直难以实现，并阻碍了基于预测的控制系统的广泛应用。这些热模型的持续调试与全生命周期性能需要部署在线数据驱动的系统辨识与参数估计例程。我们提出一种新颖的灰箱方法，基于多区域热网络并使用无迹卡尔曼滤波器，并通过 EnergyPlus 仿真数据对其进行验证。该滤波器在已知或受约束负荷期间快速学习热网络参数，随后刻画未知负荷，从而提供准确的 24 小时以上能量预测。本研究扩展了我们的初步探索，形式化了参数与扰动估计例程，并展示了一项长达一年的研究结果。
引用
@article{arxiv.1601.02947,
title = {Online Model Estimation for Predictive Thermal Control of Buildings},
author = {Peter Radecki and Brandon Hencey},
journal= {arXiv preprint arXiv:1601.02947},
year = {2016}
}
备注
14 pages, 15 figures, 2 tables, 1 algorithm