Evaluating the Impact of Data Availability on Machine Learning-augmented MPC for a Building Energy Management System
作者: Jens Engel, Thomas Schmitt, Tobias Rodemann, Jürgen Adamy
分类: eess.SY
发布日期: 2024-07-18
备注: 5 pages, 4 figures. To be published in 2024 IEEE PES Innovative Smart Grid Technologies Europe (ISGT EUROPE) proceedings
DOI: 10.1109/ISGTEUROPE62998.2024.10863763
💡 一句话要点
评估数据可用性对机器学习增强MPC在建筑能源管理系统中的影响
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 建筑能源管理 模型预测控制 数据驱动控制 残差估计 软件在环仿真
📋 核心要点
- 建筑能源管理系统依赖精确模型，但模型构建面临数据不足的挑战。
- 论文提出利用数据驱动的残差估计器增强灰盒模型，提升控制性能。
- 通过软件在环仿真，验证了有限数据下方案的可行性，并证实历史数据预训练的有效性。
📝 摘要（中文）
在基于模型预测控制(MPC)的建筑能源管理系统(EMS)开发中，一个主要挑战是精确模型的可用性。一种解决策略是利用数据驱动的残差估计器来增强现有的灰盒模型。此类估计器的有效性，以及EMS的性能，依赖于充分且合适的训练数据的可用性。本文评估了不同数据可用性场景如何影响估计器和控制器的性能。为此，我们使用基于物理的数字孪生和真实测量数据进行软件在环(SiL)仿真。仿真结果表明，即使在有限的可用数据下，也能实现可接受的估计和控制性能，并且我们证实了利用历史数据进行预训练可以提高效率。
🔬 方法详解
问题定义：论文旨在解决建筑能源管理系统中，由于缺乏充足训练数据导致模型预测控制（MPC）性能受限的问题。现有方法依赖精确的物理模型，但实际应用中模型难以完美匹配真实环境，导致控制效果不佳。数据驱动方法虽然可以弥补模型误差，但对数据质量和数量有较高要求。
核心思路：论文的核心思路是利用数据驱动的残差估计器来修正现有的灰盒模型。灰盒模型提供基本的物理规律，而残差估计器则学习模型未捕获的动态特性。通过这种混合方法，可以在数据有限的情况下提高模型预测的准确性，从而提升MPC的控制性能。
技术框架：整体框架包含以下几个主要模块：1) 基于物理的数字孪生：用于生成仿真数据并模拟真实建筑环境；2) 灰盒模型：描述建筑能源系统的基本物理特性；3) 数据驱动的残差估计器：利用机器学习方法学习灰盒模型的残差；4) 模型预测控制器（MPC）：基于修正后的模型进行优化控制。该框架通过软件在环仿真（SiL）进行验证，使用真实测量数据驱动数字孪生。
关键创新：论文的关键创新在于评估了不同数据可用性场景对残差估计器和MPC性能的影响。通过系统性的实验，量化了数据量、数据质量和历史数据预训练对控制效果的贡献。这为实际应用中如何选择和利用数据提供了指导。
关键设计：残差估计器可以使用各种机器学习模型，例如神经网络、支持向量机等。论文中可能采用了某种具体的模型结构，并针对建筑能源管理系统的特点进行了优化。此外，损失函数的设计也至关重要，需要平衡预测精度和控制性能。具体的参数设置和网络结构等细节在论文正文中会详细描述。
🖼️ 关键图片
📊 实验亮点
实验结果表明，即使在有限的可用数据下，基于数据驱动残差估计器的MPC也能实现可接受的估计和控制性能。更重要的是，利用历史数据进行预训练可以显著提高估计器的效率，从而进一步提升控制性能。具体的性能提升幅度（例如，能源消耗降低百分比）需要在论文中查找。
🎯 应用场景
该研究成果可应用于各种建筑能源管理系统，尤其是在数据收集受限或成本较高的场景下。通过利用有限的数据和历史数据进行预训练，可以显著提高能源管理系统的控制性能，降低能源消耗，并提高建筑的舒适度。该方法还可推广到其他工业控制领域，例如智能制造和过程控制。
📄 摘要（原文）
A major challenge in the development of Model Predictive Control (MPC)-based energy management systems (EMSs) for buildings is the availability of an accurate model. One approach to address this is to augment an existing gray-box model with data-driven residual estimators. The efficacy of such estimators, and hence the performance of the EMS, relies on the availability of sufficient and suitable training data. In this work, we evaluate how different data availability scenarios affect estimator and controller performance. To do this, we perform software-in-the-loop (SiL) simulation with a physics-based digital twin using real measurement data. Simulation results show that acceptable estimation and control performance can already be achieved with limited available data, and we confirm that leveraging historical data for pretraining boosts efficacy.