物理信息线性回归在住宅建筑模型预测控制中与两种机器学习方法竞争力相当
机器学习
2022-01-27 v2 系统与控制
系统与控制
最优化与控制
摘要
由于基于物理的建筑模型难以获取(每栋建筑各不相同),直接从测量数据生成适用于建筑模型预测控制(MPC)的模型日益受到关注。机器学习方法已广泛应用于该问题并多在仿真中验证;然而文献中鲜见不同模型的直接比较或在真实建筑中的验证研究。实际应用中得到验证的方法常导致计算复杂的非凸优化问题。在此,我们将物理信息的带外生输入自回归滑动平均(ARMAX)模型与基于随机森林和输入凸神经网络的机器学习模型,以及由此产生的凸 MPC 方案,在以降低能耗同时保持居住者舒适度为目标的实用建筑应用实验及数值案例研究中进行比较。我们证明,与建筑基准迟滞控制器相比,预测控制总体上可节省 26% 至 49% 的供暖与制冷能耗。此外,我们表明所有模型类型在约束满足与节能方面均带来令人满意的控制性能。然而,我们也发现物理信息 ARMAX 模型相比基于机器学习的模型具有更低的计算负担和更优的样本效率。而且,即便有充裕训练数据,ARMAX 模型的预测误差也显著低于机器学习模型,这表明前者所编码的基于物理的先验无法由后者独立习得。
引用
@article{arxiv.2110.15911,
title = {Physics-informed linear regression is competitive with two Machine Learning methods in residential building MPC},
author = {Felix Bünning and Benjamin Huber and Adrian Schalbetter and Ahmed Aboudonia and Mathias Hudoba de Badyn and Philipp Heer and Roy S. Smith and John Lygeros},
journal= {arXiv preprint arXiv:2110.15911},
year = {2022}
}
备注
17 pages, 11 Figures, submitted to Applied Energy