建筑控制的状态空间模型：应深入几层？
系统与控制
2020-10-26 v1 机器学习
系统与控制
摘要
建筑中的功耗表现出线性模型无法捕捉的非线性行为，而循环神经网络（RNN）可以。这一能力使 RNN 成为建筑模型预测控制（MPC）颇具吸引力的替代方案。然而 RNN 模型缺乏数学正则性，这使其在优化问题中应用困难。因此，本工作系统性地研究在 MPC 框架中使用 RNN 进行建筑控制是否能带来净收益。它比较了两种架构的表示能力与控制性能：全非线性 RNN 架构和带非线性回归器的线性状态空间模型。对比涵盖每种架构的五个实例在相同条件下两个月的模拟运行。在一小时温度预测上，RNN 模型的误差比线性模型低 69%。在控制中，线性状态空间模型在目标函数上优于 10%，平均温度越限为 2.8 倍，且所需计算时间为 RNN 模型的三分之一。因此，本工作表明，在当前形态下 RNN 确实提高了精度，但总体上设计良好的带非线性回归器的线性状态空间模型在大多数 MPC 情形中最佳。
引用
@article{arxiv.2010.12257,
title = {State space models for building control: how deep should you go?},
author = {Baptiste Schubnel and Rafael E. Carrillo and Paolo Taddeo and Lluc Canals Casals and Jaume Salom and Yves Stauffer and Pierre-Jean Alet},
journal= {arXiv preprint arXiv:2010.12257},
year = {2020}
}