An IoT Framework for Building Energy Optimization Using Machine Learning-based MPC

📄 arXiv: 2408.13294v1 📥 PDF

作者: Aryan Morteza, Hosein K. Nazari, Peyman Pahlevani

分类: eess.SY, cs.LG

发布日期: 2024-08-23

💡 一句话要点

提出基于机器学习MPC的IoT框架，用于建筑能源优化，显著降低能耗。

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 物联网 机器学习 模型预测控制 建筑能源优化 人工神经网络

📋 核心要点

  1. 现有AHU控制方法难以根据实时环境动态调整，导致能源浪费和用户体验不佳。
  2. 利用IoT框架和ANN，构建动态热模型，实现基于机器学习的MPC，优化AHU控制。
  3. 实验表明，该框架在降低能耗方面表现出色，与传统方法相比，节电高达57.59%。

📝 摘要（中文）

本研究提出了一种基于机器学习的模型预测控制（MPC）方法，通过采用物联网（IoT）框架来控制空气处理机组（AHU）系统。该框架利用人工神经网络（ANN）实时提供动态线性热模型参数，同时考虑建筑物信息和扰动，从而促进AHU系统的实际MPC应用。该框架允许用户为闭环控制系统建立新的设定点，从而能够定制热环境以满足个人需求，并最大限度地减少AHU的使用。实验结果表明，所提出的基于机器学习的MPC-IoT框架具有成本效益，与基于时钟的手动控制器相比，电力消耗降低了57.59％，同时保持了较高的用户满意度。即使在建筑信息有限的传统系统中，该框架也具有显著的灵活性和有效性，使其成为提高现有建筑物的能源效率和用户舒适度的实用且有价值的解决方案。

🔬 方法详解

问题定义：论文旨在解决传统建筑空气处理机组（AHU）控制系统能源效率低下的问题。现有方法通常依赖于固定的控制策略，无法根据建筑物的实时状态和外部环境变化进行动态调整，导致能源浪费和用户舒适度降低。此外，在缺乏详细建筑物信息的情况下，传统控制方法的性能会进一步下降。

核心思路：论文的核心思路是利用物联网（IoT）技术收集建筑物和环境的实时数据，并使用机器学习（特别是人工神经网络ANN）构建动态热模型。该模型能够预测建筑物在不同条件下的热行为，从而为模型预测控制（MPC）提供准确的预测信息。通过MPC，可以优化AHU的控制策略，以最小化能源消耗，同时满足用户的舒适度需求。

技术框架：该框架包含以下主要模块：1) IoT传感器网络：负责收集建筑物内部和外部的温度、湿度、人员密度等数据。2) 数据预处理模块：对收集到的数据进行清洗、校正和特征提取。3) ANN热模型：利用历史数据训练ANN，使其能够根据实时数据预测建筑物的热行为。4) MPC控制器：基于ANN热模型的预测结果，优化AHU的控制参数（如送风温度、风量等），以最小化能源消耗并满足舒适度要求。5) 执行器：根据MPC控制器的指令，调整AHU的运行状态。

关键创新：该论文的关键创新在于将机器学习与MPC相结合，并将其应用于AHU控制。传统MPC方法通常需要精确的建筑物热模型，而构建这样的模型需要大量的专业知识和实验数据。该论文利用ANN自动学习热模型，降低了模型构建的难度，并提高了模型的适应性。此外，该框架还利用IoT技术实现了实时数据采集，为MPC提供了更准确的输入信息。

关键设计：ANN热模型的输入包括建筑物信息（如面积、朝向、材料等）和环境扰动（如室外温度、太阳辐射等），输出为建筑物的温度变化。ANN的网络结构（层数、神经元数量等）需要根据具体应用进行调整。MPC控制器的目标函数通常包括能源消耗和舒适度偏差两项，需要根据实际需求设置权重。此外，还需要选择合适的优化算法来求解MPC问题。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，所提出的基于机器学习的MPC-IoT框架与传统的基于时钟的手动控制器相比，电力消耗降低了57.59％。同时，该框架能够维持较高的用户满意度，表明在降低能耗的同时，并未牺牲用户的舒适度。这些结果验证了该框架在实际应用中的有效性和优越性。

🎯 应用场景

该研究成果可广泛应用于各种建筑的暖通空调（HVAC）系统，尤其是在既有建筑的节能改造中具有重要价值。通过部署IoT传感器和应用机器学习模型，可以显著提高能源利用效率，降低运营成本，并提升用户舒适度。未来，该技术还可扩展到智能家居、智慧城市等领域，实现更广泛的能源优化和环境控制。

📄 摘要（原文）

This study proposes a machine learning-based Model Predictive Control (MPC) approach for controlling Air Handling Unit (AHU) systems by employing an Internet of Things (IoT) framework. The proposed framework utilizes an Artificial Neural Network (ANN) to provide dynamic-linear thermal model parameters considering building information and disturbances in real time, thereby facilitating the practical MPC of the AHU system. The proposed framework allows users to establish new setpoints for a closed-loop control system, enabling customization of the thermal environment to meet individual needs with minimal use of the AHU. The experimental results demonstrate the cost benefits of the proposed machine-learning-based MPC-IoT framework, achieving a 57.59\% reduction in electricity consumption compared with a clock-based manual controller while maintaining a high level of user satisfaction. The proposed framework offers remarkable flexibility and effectiveness, even in legacy systems with limited building information, making it a pragmatic and valuable solution for enhancing the energy efficiency and user comfort in pre-existing structures.