面向控制建筑热建模的物理信息神经网络
信号处理
2022-03-30 v2 机器学习
系统与控制
系统与控制
摘要
本文提出一种数据驱动的建模方法，用于开发面向控制的建筑热模型。这些模型的开发目标是在将建筑室内温度控制在所需舒适度限制内的同时降低能耗成本。为结合白/灰盒物理模型的可解释性与神经网络的表现力，我们提出一种物理信息神经网络方法来解决该建模任务。除测量数据与建筑参数外，我们将支配这些建筑热行为的底层物理编码入神经网络。从而实现一个受物理引导的模型，有助于建模室温与功耗的时间演化以及隐藏状态（即建筑热质量的温度）在后续时间步的情况。本工作的主要研究贡献为：(1) 我们提出两种物理信息神经网络架构变体，用于建筑面向控制的热建模任务；(2) 我们表明训练这些架构具有数据高效性，相较于传统的非物理信息神经网络需要更少的训练数据；(3) 我们表明这些架构在更长预测时域上比传统神经网络实现更准确的预测。我们使用模拟与真实数据测试所提架构的预测性能以证明(2)与(3)，并表明所提物理信息神经网络架构可用于该面向控制的建模问题。
引用
@article{arxiv.2111.12066,
title = {Physics Informed Neural Networks for Control Oriented Thermal Modeling of Buildings},
author = {Gargya Gokhale and Bert Claessens and Chris Develder},
journal= {arXiv preprint arXiv:2111.12066},
year = {2022}
}
备注
14 pages, 7 figures