Mô hình năng lượng tòa nhà dựa trên dữ liệu với lựa chọn tính năng và học tập chủ động để kiểm soát dự đoán dữ liệu
Data-driven building energy modeling with feature selection and active learning for data predictive control
Tác giả: Liang Zhang
Ngày đăng tải: 09/09/2021
DOI: https://doi.org/10.1016/j.enbuild.2021.111436
Ba khoảng trống cản trở sự phát triển của mô hình/mô hình năng lượng tòa nhà dựa trên dữ liệu hiệu quả về chi phí và chính xác (DBEM) cho các chiến lược dự báo năng lượng và kiểm soát dự đoán. Khoảng trống 1: sai lệch dữ liệu là phổ biến trong dữ liệu vận hành tòa nhà, nhưng chủ đề này hầu như không được nghiên cứu trong DBEM; Khoảng trống 2: dữ liệu có chiều cao cao là phổ biến trong DBEM, nhưng thiếu phương pháp có hệ thống và khả năng mở rộng để giải quyết vấn đề; Khoảng trống 3: sự tương tác giữa sai lệch dữ liệu và chiều cao cao chưa được nghiên cứu một cách có hệ thống đối với DBEM và kiểm soát dự đoán trong các tòa nhà.
Trong bài viết này, để giải quyết ba khoảng trống được đề cập ở trên, chúng tôi phát triển một khung tích hợp học tập chủ động và lựa chọn tính năng cho DBEM được sử dụng để kiểm soát dự đoán dữ liệu toàn bộ tòa nhà (hoặc DPC, là một nhánh của kiểm soát dự đoán mô hình). Khung cung cấp một phương pháp có hệ thống và quy trình làm việc tự động bắt đầu từ dữ liệu thô từ hệ thống tự động hóa tòa nhà đến việc thiết lập các mô hình năng lượng dựa trên dữ liệu cho bộ điều khiển DPC. Các chiến lược và khung phát triển được đánh giá trong một môi trường thử nghiệm ảo dựa trên EnergyPlus và BCVTB. Hiệu suất được cải thiện và độ phức tạp tính toán giảm được quan sát từ DBEM được xây dựng với khung phát triển, cũng như bộ điều khiển DPC dựa trên DBEM đó, cho thấy hiệu quả của khung phát triển.
Link: Science Direct | OSTI.gov
