商业建筑需求响应的高效数据驱动型 MPC
内容提要
该文综述了基于神经网络的数据驱动建筑控制研究，涵盖暖通空调需求响应、能耗优化与热舒适。方法包括深度神经网络模型预测控制、蒙特卡洛树搜索、随机模型预测控制、ADMM分布式优化及占用状态预测等，可降低能耗成本、提升控制精度与住户舒适度。
延伸解读
数据驱动控制如何降低建模成本
文章指出，基于神经网络的数据驱动控制算法可减少建筑物模型识别的成本。传统模型预测控制依赖精确的物理模型，而数据驱动方法通过能耗和区域温度的动态模型，在保证较高精度的同时，实现了节能和更好的住户舒适度。这为商业建筑需求响应提供了一条降低前期建模投入的可行路径。
需求响应中的不确定性与随机控制
针对电力和热需求的不确定性，文章提到一种随机模型预测控制器，利用高斯过程构建历史数据的需求预测模型，并通过情景法进行多步需求轨迹抽样。在模拟能源中心模型和真实建筑需求数据上，该方法验证了预测器和随机控制器的性能优势，说明处理不确定性是需求响应控制的关键环节。
分布式优化与占用预测的实践价值
文章介绍了基于ADMM和深度学习模型的分布式优化方法，采用两层分层结构将建筑总功率限制为各区域局部功率目标，从而有效规划室内温度设定点并管理高峰事件。同时，基于占用状态预测的不侵入式方法，通过将部分电器操作移至低峰时段，降低了成本13.2%。这些案例表明，分布式优化与占用预测能提升需求响应的实际效果。
Q&A
数据驱动的模型预测控制如何降低建筑模型识别的成本？
通过使用神经网络建立建筑能耗和区域温度的动态模型，减少了对物理模型的依赖，从而降低了模型识别的成本，同时实现了较高的精度和节能效果。
蒙特卡洛树搜索在建筑需求响应控制中有什么作用？
蒙特卡洛树搜索与物理信息神经网络结合用于建筑需求响应控制，以提高控制性能并降低能耗成本，同时通过添加深度学习层优化了其计算成本。
如何利用监督学习优化多区域建筑HVAC系统的需求响应？
采用基于监督学习的新策略，利用神经网络和分段线性方程来优化多区域建筑中HVAC系统的需求响应，该策略在实用性和计算时间方面有效，同时确保了热舒适性和成本效益。
随机模型预测控制器如何处理电力和热需求的不确定性？
随机模型预测控制器应用高斯过程构建历史数据的需求预测模型，采用情景法从预测模型中进行多步需求轨迹抽样，并在模拟能源中心模型和真实建筑需求数据上验证了其性能优势。
基于占用状态预测的需求响应程序如何降低成本和能耗？
通过多目标仿真模型和不侵入式的占用状态预测方法开发适用于智能住宅的DRP应用程序，考虑不确定性和鲁棒性，将一些电器操作移至低峰时段，降低了成本13.2%，并降低空调温度设定点。
ADMM和深度学习模型如何用于建筑需求响应的分布式优化？
通过采用两层分层结构的方法，使用ADMM和深度学习模型进行分布式优化，将建筑物的总功率限制为各个区域的局部功率目标，从而有效规划室内温度设定点，并成功管理需求响应的高峰事件。
