Amerikanska byggnader förbrukar ungefär 40 procent av USA:s energi, mycket som går åt till uppvärmning, kyl, och ventilation. Förbättrade kontrollmetoder kan bidra till att minska energiförbrukningen. Model Predictive Control (MPC) har visat potential för att avsevärt minska energianvändningen i byggnader. Dock, det har inte antagits allmänt på grund av ett antal implementeringsutmaningar.

Nyligen, PNNL har visat att djupinlärning kan användas för att övervinna några av dessa utmaningar, banar väg för en bredare användning av MPC i byggnader. "För framgångsrik tillämpning i byggnader, metoden måste vara billigare och lättare att implementera, och det har varit fokus för vårt arbete, " förklarar Jan Drgona, en PNNL postdoktoral forskarassistent.

Traditionell fysikbaserad MPC och dess utmaningar

MPC optimerar kontrollen över en vikande tidshorisont, och i en byggnad kan metoden optimera kontrollen under de kommande 24 timmarna i 15-minutersintervaller. MPC skulle använda en modell av byggnaden för att utvärdera dess prestanda under de kommande 24 timmarna under olika kontrollstrategier för fast beläggning och väderantaganden. Kontrollinställningarna för de första 15 minuterna implementeras, byggnadens respons mäts, och processen upprepas med uppdaterade initiala förhållanden och väderprognoser.

En kritisk del av MPC är själva modellen. MPC användes initialt för att optimera industriella kemiska processer genom fysikbaserade modeller. Fysikbaserad MPC har också visat sig vara effektiv i byggnader. Faktiskt, fälttester utförda av KU Leuven University i en kontorsbyggnad i Belgien visade energibesparingar på upp till 50 procent. MPC förbättrade också den termiska komforten i byggnaden genom att hålla temperaturerna närmare föreskrivna gränser, vilket kan förbättra de boendes produktivitet och välbefinnande.

Utplacering av MPC i en stor del av byggnadsbeståndet har inte varit möjligt på grund av höga installationskostnader. Varje byggnad är unik och kräver sin egen anpassade fysikbaserade modell. Fysikbaserade modeller är beräkningsmässigt dyra, begränsar antalet styrstrategialternativ som kan utforskas och kräver ofta dedikerad hårdvara.

En potentiell lösning?

Ett forskarteam av Jan Drgona, Draguna Vrabie från PNNL, och Lieve Helsen från KU Leuven har utvecklat ett tillvägagångssätt som övervinner de beräkningsmässiga utmaningarna med MPC. Teamet använde fysikbaserad MPC för att träna neurala nätverksmodeller för djupinlärning.

De neurala nätverksmodellerna ger kontrollåtgärder som nära approximerar dem som produceras av fysikbaserade MPC men gör det mycket snabbare samtidigt som de använder betydligt mindre datorkraft. I lekmannasammanhang, forskarna lär den billiga lärlingen (neurala nätverk) att imitera beteendet hos den mycket dyrare experten (fysikbaserad MPC).

"Vi slutar med en högpresterande intelligent styrenhet med bara en bråkdel av exekveringskostnaden för klassisk Model Predictive Control, " säger Drgona.

Han lägger till, "Det finns mycket arbete som återstår att göra för att uppnå robust, skalbara metoder för storskaliga byggnadssystem. Genom att tillämpa dessa metoder, vi är på väg att minska konstruktionskostnaderna och uppnå en generisk lösning som är allmänt tillgänglig för byggnadskontrollgemenskapen."

Drgona och kollegor diskuterade sina metoder i "Stripping Off the Implementation Complexity of Physics-based Model Predictive Control for Buildings Via Deep Learning." Detta dokument presenterades i en workshopsession vid konferensen om neurala informationsbehandlingssystem i Vancouver, Kanada, i december 2019.