Modularized Neural Network Incorporating Physical Priors for Smart Building Control, Accuracy or Consistency?

📄 arXiv: 2412.02943v1 📥 PDF

作者: Zixin Jiang, Bing Dong

分类: eess.SY

发布日期: 2024-12-04

💡 一句话要点

提出融合物理先验的模块化神经网络，用于智能建筑控制，平衡精度与一致性。

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 智能建筑控制 模型预测控制 物理先验 模块化神经网络 数据驱动建模

📋 核心要点

  1. 现有建筑动态模型难以兼顾控制需求和物理一致性，限制了模型预测控制的大规模应用。
  2. 提出模块化神经网络ModNN，通过融合物理先验知识，快速构建面向控制且物理一致的建筑动态模型。
  3. 实验表明，ModNN在控制优化方面优于LSTM，温度违规显著降低，峰值负载降低高达78%。

📝 摘要（中文）

模型预测控制在节能、电网灵活性和碳减排方面具有显著潜力。然而，识别面向控制的建筑动态模型是大规模实际应用的关键挑战。本研究提出了一种融合物理先验的模块化神经网络（ModNN），能够在数分钟内建立面向控制且物理一致的建筑动态模型，无需大量建模工作。本研究还首次对数据驱动模型的物理一致性进行了定性和定量评估。我们将经典长短期记忆网络（LSTM）模型与ModNN的物理一致性进行了比较。ModNN严格满足物理约束，而LSTM模型学习到矛盾的系统动态。此外，我们比较了它们在EnergyPlus虚拟测试平台上的控制性能。虽然LSTM模型在动态建模中表现出略好的预测精度，但它在控制优化中失败，导致89°C-h的温度违规，而ModNN仅显示0.57°C-h的违规，并实现了高达78%的峰值负载降低。我们的研究结果强调了将物理先验纳入数据驱动模型的重要性，并为未来的智能建筑控制优化提供了一个有希望的解决方案。此外，所提出的评估框架定义了两个物理一致性指标，为选择和测试面向控制的数据驱动建筑动态模型提供了指导。

🔬 方法详解

问题定义：论文旨在解决智能建筑控制中，现有数据驱动模型难以同时保证预测精度和物理一致性的问题。传统LSTM等模型虽然预测精度较高，但忽略了建筑物理规律，导致控制优化失败，出现温度超限等问题。现有方法缺乏对模型物理一致性的有效评估手段。

核心思路：论文的核心思路是将物理先验知识融入到神经网络结构中，构建一个模块化的神经网络（ModNN）。通过这种方式，模型在学习数据的同时，也受到物理规律的约束，从而保证了模型的物理一致性。这种设计旨在提高模型在实际控制应用中的可靠性和有效性。

技术框架：ModNN的整体架构包含以下几个主要模块：1) 数据输入模块：接收建筑运行数据，如温度、湿度、能耗等。2) 物理先验模块：将建筑的物理特性，如热传导、能量守恒等，以数学公式的形式嵌入到网络结构中。3) 神经网络模块：利用神经网络学习建筑动态模型的参数。4) 控制输出模块：根据模型预测结果，生成控制指令，如调节空调温度、风量等。整个流程是数据驱动的，但受到物理先验的约束。

关键创新：论文最重要的技术创新点在于将物理先验知识以模块化的方式融入到神经网络结构中。与传统的黑盒模型相比，ModNN具有更强的可解释性和物理一致性。此外，论文还提出了两种物理一致性指标，用于评估数据驱动模型的物理合理性。

关键设计：ModNN的关键设计包括：1) 模块化的网络结构，方便将物理先验知识嵌入到特定模块中。2) 基于物理公式的损失函数，用于约束模型的学习过程，使其符合物理规律。3) 物理一致性指标的设计，用于评估模型的物理合理性。具体参数设置和网络结构的选择取决于具体的建筑类型和控制目标。

📊 实验亮点

实验结果表明，ModNN在控制优化方面显著优于LSTM模型。LSTM模型导致89°C-h的温度违规，而ModNN仅为0.57°C-h。此外，ModNN实现了高达78%的峰值负载降低。这些结果表明，将物理先验纳入数据驱动模型可以显著提高控制性能和可靠性。

🎯 应用场景

该研究成果可应用于智能建筑控制、能源管理、需求响应等领域。通过构建物理一致的建筑动态模型，可以实现更精确、可靠的控制策略，提高能源利用效率，降低碳排放，并为电网提供灵活性。未来，该方法有望推广到更大规模的建筑群，实现城市级别的智能能源管理。

📄 摘要（原文）

Model predictive control can achieve significant energy savings, offer grid flexibility, and mitigate carbon emissions. However, the challenge of identifying individual control-oriented building dynamic models limits large-scale real-world applications. To address this issue, this study proposed a Modularized Neural Network Incorporating Physical Priors (ModNN), capable of establishing a control-oriented and physical-consistent building dynamic model within minutes without substantial modeling effort. This is also the first study to evaluate the physical consistency of a given data-driven model both qualitatively and quantitively. We compared the physical consistency of a classical Long Short-Term Memory (LSTM) model and our ModNN. The ModNN strictly satisfies physical constraints, whereas the LSTM model learned contradictory system dynamics. Additionally, we compared their control performance on an EnergyPlus virtual testbed. While the LSTM model demonstrated slightly better prediction accuracy in dynamic modeling, it failed in control optimization, resulting in an 89°C-h temperature violation, whereas the ModNN showed only a 0.57°C-h violation and achieved up to a 78% peak load reduction. Our findings highlight the importance of incorporating physics priors into data-driven models and provide a promising solution for future smart building control optimization. Furthermore, the proposed evaluation framework defines two physical consistency indicators, providing guidelines for selecting and testing control-oriented, data-driven building dynamic models.