深度学习可降低建筑控制成本

 
美国建筑物消耗约40%的美国能源，其中大部分用于暖气，制冷和通风。增强的控制方法可以帮助减少能耗。模型预测控制(MPC)已显示出显着减少建筑物能耗的潜力。但是，由于存在许多实施挑战，因此尚未被广泛采用。
最近，PNNL已证明深度学习可用于克服其中的一些挑战，从而为在建筑物中广泛采用MPC铺平了道路。 PNNL博士后研究助理Jan Drgona解释说：“要在建筑物中成功应用，该方法必须便宜且易于实施，这一直是我们工作的重点。”
传统的基于物理的MPC及其挑战
MPC优化了对后退时间范围的控制，在建筑物中，该方法可以以15分钟的间隔优化接下来的24小时的控制。 MPC将使用该建筑物的模型，在固定占用率和天气假设的不同控制策略下，评估其在未来24小时内的性能。实施前15分钟的控制设置，测量建筑物的响应，并使用更新的初始条件和天气预报重复该过程。
MPC的关键部分是模型本身。 MPC最初用于通过基于物理的模型来优化工业化学过程。基于物理的MPC在建筑物中也被证明是有效的。实际上，鲁汶大学(KU Leuven University)在比利时的一栋办公楼中进行的现场测试表明，节能高达50%。 MPC还通过将温度保持在规定的范围内来改善建筑物的热舒适性，从而可以提高居住者的生产力和幸福感。
由于安装成本高昂，无法在大部分建筑库存中部署MPC。每座建筑物都是唯一的，并需要自己的基于物理的自定义模型。基于物理的模型计算量大，限制了可以探索的控制策略替代方案的数量，并且通常需要专用硬件。
一个潜在的解决方案?
Jan Drgona，PNNL的Draguna Vrabie和KU Leuven的Lieve Helsen的研究团队开发了一种方法来克服MPC的计算难题。该团队使用基于物理学的MPC来训练深度学习神经网络模型。
神经网络模型产生的控制动作与基于物理的MPC产生的控制动作非常接近，但动作却要快得多，而使用的计算能力却要低得多。总而言之，研究人员正在教导廉价的学徒(神经网络)，以模仿昂贵得多的专家(基于物理的MPC)的行为。
Drgona说：“我们最终获得了高性能的智能控制器，其执行成本仅为传统模型预测控制的一小部分。”
他补充说：“要实现适用于大型建筑系统的健壮，可扩展的方法，还有许多工作要做。通过应用这些方法，我们有望降低工程成本并实现通用解决方案。建筑控制社区。”
Drgona及其同事在“通过深度学习消除建筑物的基于物理的模型预测控制的实现复杂性”中讨论了他们的方法。本文于2019年12月在加拿大温哥华举行的神经信息处理系统会议的研讨会上介绍。