用于蒸发冷却系统灵活性辨识的物理信息LSTM网络
系统与控制
2022-05-20 v1 系统与控制
摘要
在能源密集型工业系统中，蒸发冷却过程可能引入运行灵活性。此类灵活性指系统偏离其计划能耗的能力。由于工业系统固有的复杂动力学，辨识该灵活性并据此设计确保高效可靠运行的控制是一项巨大挑战。近来，机器学习模型因能建模复杂非线性行为，在灵活性辨识方面受到关注。本研究提出基于机器学习的方法，将系统动力学整合进机器学习模型（如神经网络）以更好遵循物理约束。我们定义并评估物理信息长短期记忆网络(PhyLSTM)与物理信息神经网络(PhyNN)，用于蒸发冷却过程灵活性的辨识。这些物理信息网络在神经网络架构中强制施加过程动力学的同时，近似控制输入与系统响应间的时变关系。我们提出的PhyLSTM系统响应估计误差小于2%，相较基线神经网络(NN)收敛迭代少于一半，并准确估计所定义的灵活性指标。我们详细分析了训练数据规模对模型性能与优化的影响。
引用
@article{arxiv.2205.09353,
title = {Physics Informed LSTM Network for Flexibility Identification in Evaporative Cooling Systems},
author = {Manu Lahariya and Farzaneh Karami and Chris Develder and Guillaume Crevecoeur},
journal= {arXiv preprint arXiv:2205.09353},
year = {2022}
}