Deep learning reducerer omkostningerne til bygningskontrol

Amerikanske bygninger forbruger omkring 40 procent af amerikansk energi, hvoraf meget går til opvarmning, afkøling, og ventilation. Forbedrede kontrolmetoder kan hjælpe med at reducere energiforbruget. Model Predictive Control (MPC) har vist potentiale for væsentligt at reducere energiforbruget i bygninger. Imidlertid, det er ikke blevet bredt vedtaget på grund af en række implementeringsudfordringer.

For nylig, PNNL har vist, at dyb læring kan bruges til at overvinde nogle af disse udfordringer, baner vejen for en bredere anvendelse af MPC i bygninger. "For vellykket anvendelse i bygninger, metoden skal være billigere og nemmere at implementere, og det har været fokus for vores arbejde, " forklarer Jan Drgona, en PNNL-postdoc-forskningsmedarbejder.

Traditionel fysik-baseret MPC og dens udfordringer

MPC optimerer kontrol over en vigende tidshorisont, og i en bygning kan metoden optimere kontrollen i de næste 24 timer med 15 minutters intervaller. MPC ville bruge en model af bygningen til at evaluere dens ydeevne i løbet af de næste 24 timer under forskellige kontrolstrategier for fast belægning og vejrantagelser. Kontrolindstillingerne for de første 15 minutter implementeres, bygningens respons måles, og processen gentages med opdaterede startforhold og vejrudsigter.

En kritisk del af MPC er selve modellen. MPC blev oprindeligt brugt til at optimere industrielle kemiske processer gennem fysikbaserede modeller. Fysik-baseret MPC har også vist sig effektiv i bygninger. Faktisk, felttest udført af KU Leuven Universitet i en kontorbygning i Belgien viste energibesparelser på op til 50 procent. MPC forbedrede også den termiske komfort i bygningen ved at holde temperaturerne tættere på de foreskrevne grænser, som kan forbedre beboernes produktivitet og trivsel.

Implementering af MPC i en stor del af bygningsmassen har ikke været mulig på grund af høje installationsomkostninger. Hver bygning er unik og kræver sin egen brugerdefinerede fysikbaserede model. Fysik-baserede modeller er beregningsmæssigt dyre, begrænser antallet af kontrolstrategialternativer, der kan udforskes og kræver ofte dedikeret hardware.

En potentiel løsning?

Et forskerhold af Jan Drgona, Draguna Vrabie fra PNNL, og Lieve Helsen fra KU Leuven har udviklet en tilgang, der overvinder de beregningsmæssige udfordringer ved MPC. Holdet brugte fysikbaseret MPC til at træne deep learning neurale netværksmodeller.

De neurale netværksmodeller giver kontrolhandlinger, der tæt nærmer sig dem, der produceres af fysikbaseret MPC, men gør det meget hurtigere, mens de bruger betydeligt mindre computerkraft. I lægmandsform, forskerne lærer den billige lærling (neuralt netværk) at efterligne adfærden hos den meget dyrere ekspert (fysikbaseret MPC).

"Vi ender med en højtydende intelligent controller med kun en brøkdel af udførelsesomkostningerne for klassisk Model Predictive Control, " siger Drgona.

Han tilføjer, "Der er meget arbejde, der skal gøres for at opnå robuste, skalerbare metoder, der kan anvendes til store byggesystemer. Ved at anvende disse metoder, vi er på vej til at reducere ingeniøromkostningerne og opnå en generisk løsning, der er bredt tilgængelig for bygningskontrolfællesskabet."

Drgona og kolleger diskuterede deres metoder i "Stripping Off the Implementation Complexity of Physics-based Model Predictive Control for Buildings Via Deep Learning." Dette papir blev præsenteret i en workshopsession på konferencen om neurale informationsbehandlingssystemer i Vancouver, Canada, i december 2019.