物理约束的多区域建筑热动力学深度学习
机器学习
2020-11-13 v1 神经与进化计算
系统与控制
系统与控制
摘要
我们提出一种用于建筑热动力学建模的、面向控制的物理约束深度学习方法。该方法基于将基于物理的先验知识系统性编码进结构化循环神经网络架构。具体而言，我们的方法将传统基于物理的建筑建模中的结构先验融入神经网络热动力学模型结构。进一步，我们利用惩罚方法提供不等式约束，从而将预测限定在物理真实且安全的运行范围内。观察到稳定特征值能准确刻画系统的耗散性，我们额外使用基于 Perron–Frobenius 定理的约束矩阵参数化来界定建筑热模型参数矩阵的主导特征值。我们在一个来自真实办公建筑、含 20 个热区域的数据集上证明了所提数据驱动建模方法的有效性与物理可解释性。仅用 10 天测量数据训练，我们展示出对连续 20 天的泛化能力，相较文献中先前最先进结果显著提升了精度。
引用
@article{arxiv.2011.05987,
title = {Physics-constrained Deep Learning of Multi-zone Building Thermal Dynamics},
author = {Jan Drgona and Aaron R. Tuor and Vikas Chandan and Draguna L. Vrabie},
journal= {arXiv preprint arXiv:2011.05987},
year = {2020}
}