Datengesteuerte Modellierung und Regelung von Gebäudeklimasystemen in einem Testrahmen für Gebäudeoptimierung (BOPTEST)

Core Concepts

Ein datengetriebener Modellierungs- und Regelungsrahmen für physikbasierte Gebäudeemulationen, der differenzierbare Ersatzmodelle zur Beschleunigung der Modellauswertungen und kostengünstigen Gradientenberechnungen für modellprädiktive Regelung (MPC) verwendet.

Abstract

Der Artikel präsentiert einen Modellierungs- und Regelungsrahmen für Gebäudeklimasysteme, der differenzierbare Ersatzmodelle nutzt, um die Leistung von MPC-Algorithmen in der Gebäudeoptimierungs-Testumgebung (BOPTEST) zu evaluieren. Kernpunkte: Entwicklung eines datengetriebenen Modellierungs- und Regelungsrahmens für physikbasierte Gebäudeemulationen Offline-Training differenzierbarer Ersatzmodelle zur Beschleunigung der Modellauswertungen und Bereitstellung kostengünstiger Gradienten für MPC Umfassende Evaluierung der Modellierungs- und Regelungsleistung in verschiedenen BOPTEST-Testfällen Kompatibilität mit anderen Modellierungstechniken und anpassbare Regelungsformulierungen für Skalierbarkeit und Robustheit in Anwendungen Die Ergebnisse zeigen, dass der Rahmen eine effiziente Implementierung prädiktiver Regler in großen Gebäuden ermöglicht, indem er Skalierbarkeit und Robustheit in Echtanwendungen betont.

Stats

Gebäude machen etwa 40% des Energieverbrauchs in den USA aus. Die Modellierungskosten können bis zu 70% des Aufwands für die Einrichtung einer MPC-basierten Gebäudesteuerung ausmachen. Der BESTEST-Einzelraumfall hat Abmessungen von 6m x 8m und eine Raumhöhe von 2,7m. Der Mehrzonenfall repräsentiert den Mittelboden eines Bürogebäudes in Chicago mit 5 Zonen.

Quotes

"Die Haupthürde für die Skalierung des derzeitigen Ansatzes ist der maßgeschneiderte Charakter des Datengenerierungsprozesses." "Wir glauben fest, dass Systemauslegung, Fehlererkennung und Zuverlässigkeit weitere Anwendungen sind, die von dem vorgeschlagenen Modellierungsansatz profitieren werden."

Key Insights Distilled From

Benchmarking Model Predictive Control Algorithms in Building Optimization Testing Framework (BOPTEST)

by Saman Mostaf... at arxiv.org 04-03-2024

https://arxiv.org/pdf/2301.13447.pdf

Deeper Inquiries

Wie könnte der Datengenerierungsprozess robuster gestaltet werden, um die Skalierbarkeit des Ansatzes zu erhöhen

Um den Datengenerierungsprozess robuster zu gestalten und die Skalierbarkeit des Ansatzes zu erhöhen, könnten mehrere Maßnahmen ergriffen werden. Zunächst wäre es sinnvoll, eine systematische Methode zur Generierung von Daten zu implementieren, die verschiedene Szenarien und Randbedingungen abdeckt. Dies könnte die Erstellung eines umfassenden Plans zur Datenerfassung und -erzeugung umfassen, der sicherstellt, dass alle relevanten Parameter und Variationen berücksichtigt werden. Darüber hinaus könnte die Verwendung von Simulationen und synthetischen Daten dazu beitragen, den Datengenerierungsprozess zu beschleunigen und die Vielfalt der Daten zu erhöhen. Die Integration von Fehlerbehandlungsmechanismen und die Validierung der generierten Daten könnten ebenfalls dazu beitragen, die Robustheit des Prozesses zu verbessern und die Qualität der Daten sicherzustellen.

Welche anderen Anwendungen jenseits der Regelung könnten von dem datengetriebenen Modellierungsrahmen profitieren

Der datengetriebene Modellierungsrahmen könnte über die Regelung hinaus von verschiedenen Anwendungen profitieren. Ein Bereich, in dem der Ansatz nützlich sein könnte, ist die Systemgestaltung und -optimierung. Durch die Verwendung von datengesteuerten Modellen könnten komplexe Systeme analysiert, optimiert und verbessert werden, um eine effizientere Leistung zu erzielen. Darüber hinaus könnten datengetriebene Modelle in der Fehlerdiagnose und -vorhersage eingesetzt werden, um potenzielle Probleme frühzeitig zu erkennen und präventive Maßnahmen zu ergreifen. Die Anwendung des Modellierungsrahmens auf diese Bereiche könnte zu einer verbesserten Systemleistung, erhöhter Zuverlässigkeit und Kosteneffizienz führen.

Wie könnte die Leistung der LSTM-Modelle in komplexeren Mehrzonenfällen verbessert werden, um die Vorteile der besseren Vorhersagegenauigkeit für die Regelung zu nutzen

Um die Leistung der LSTM-Modelle in komplexeren Mehrzonenfällen zu verbessern und die Vorteile der besseren Vorhersagegenauigkeit für die Regelung zu nutzen, könnten mehrere Ansätze verfolgt werden. Zunächst könnte eine detailliertere Hyperparameter-Optimierung durchgeführt werden, um die Konfiguration der LSTM-Modelle zu verbessern und die Modellkomplexität zu optimieren. Darüber hinaus könnte die Integration von Regularisierungstechniken und Dropout-Schichten dazu beitragen, Overfitting zu reduzieren und die allgemeine Leistung der Modelle zu verbessern. Die Verwendung von Ensemble-Methoden, die mehrere LSTM-Modelle kombinieren, könnte ebenfalls die Vorhersagegenauigkeit erhöhen und die Robustheit der Modelle verbessern. Durch die Implementierung dieser Ansätze könnte die Leistung der LSTM-Modelle in komplexeren Szenarien gesteigert werden.