![](https://iirr.vn/wp-content/uploads/2024/05/rsz_6656b23691a37.png)
![Phương trình vi phân thần kinh cho điều khiển nhiệt độ trong các tòa nhà theo các chương trình phản hồi nhu cầu Phương trình vi phân thần kinh cho điều khiển nhiệt độ trong các tòa nhà theo các chương trình phản hồi nhu cầu](https://iirr.vn/wp-content/uploads/2024/05/rsz_6656b23691a37.png)
Phương trình vi phân thần kinh cho điều khiển nhiệt độ trong các tòa nhà theo các chương trình phản hồi nhu cầu
Neural differential equations for temperature control in buildings under demand response programs
Tác giả | Vincent Taboga
Clement Gehring Mathieu Le Cam Hanane Dagdougui Pierre-Luc Bacon |
Ngày đăng tải | 23/05/2024 |
https://doi.org/10.1016/j.apenergy.2024.123433 | |
Nguồn bài nghiên cứu | Science Direct |
Từ khóa | Phương trình vi phân thần kinh
HVAC Học sâu Phản hồi nhu cầu Điều khiển tối ưu |
1 – GIỚI THIỆU
Hệ thống sưởi, thông gió và điều hòa không khí (HVAC) là các hệ thống tiêu thụ nhiều năng lượng và góp phần lớn vào nhu cầu đỉnh điểm, gây ra các vấn đề về ổn định và độ tin cậy trong lưới điện. Sử dụng bộ điều khiển nhiệt độ thông minh thích ứng kết hợp với các chương trình phản hồi nhu cầu đóng vai trò quan trọng trong việc giải quyết thách thức này. Tuy nhiên, việc triển khai các bộ điều khiển như vậy rất khó khăn, chủ yếu do nhu cầu có các mô hình chi tiết của tòa nhà, điều này có thể tốn kém để có được. Công trình này đề xuất một phương pháp chung để giảm bớt vấn đề này thông qua việc sử dụng các mô hình phương trình vi phân thần kinh liên tục thời gian để dự đoán nhiệt độ và sử dụng năng lượng của HVAC. Một phương pháp hoàn toàn dựa trên dữ liệu được sử dụng để huấn luyện các mô hình, do đó không yêu cầu kiến thức trước về các tòa nhà ngoài dữ liệu đo đạc. Do đó, phương pháp này dễ dàng thích ứng với các tòa nhà khác nhau. Hơn nữa, bài nghiên cứu cho thấy có thể điều chỉnh các mô hình như vậy để kết hợp kiến thức trước ở mức cao về vật lý tòa nhà để nâng cao hiệu quả và khả năng giải thích của chúng. Một thuật toán lập kế hoạch được nhúng trong một khung điều khiển dự đoán mô hình (MPC) được thiết kế để kiểm soát điểm đặt nhiệt độ nhằm giới hạn mức tiêu thụ năng lượng HVAC và tăng khả năng tham gia vào chương trình phản hồi nhu cầu. Các thử nghiệm thực nghiệm rộng rãi được tiến hành trên dữ liệu mô phỏng và thực tế để đánh giá hiệu suất của từng mô hình. Các thí nghiệm cho thấy rằng các mô hình liên tục thời gian hiệu quả hơn về mẫu và mạnh mẽ hơn đối với các quan sát bị thiếu và không đều. Các thí nghiệm cũng tiết lộ rằng đối với cùng một mức độ chính xác lập kế hoạch, các mô hình liên tục thời gian yêu cầu ít mẫu hơn so với các đối tác thời gian rời rạc khi điều chỉnh các điểm đặt nhiệt độ để giảm mức tiêu thụ năng lượng trong các sự kiện phản hồi nhu cầu.
2 – MÔ TẢ HỆ THỐNG
Hệ thống HVAC tiêu thụ nhiều năng lượng và ảnh hưởng lớn đến nhu cầu điện năng. Để giảm thiểu vấn đề này, bài nghiên cứu đề xuất sử dụng các mô hình phương trình vi phân thần kinh liên tục thời gian để dự đoán nhiệt độ và sử dụng năng lượng của hệ thống HVAC. Các mô hình này được huấn luyện dựa trên dữ liệu đo đạc mà không cần kiến thức trước về tòa nhà, do đó dễ dàng áp dụng cho các tòa nhà khác nhau.
3 – PHƯƠNG PHÁP NGHIÊN CỨU
Phương pháp nghiên cứu bao gồm việc phát triển các mô hình dự đoán liên tục thời gian và áp dụng thuật toán lập kế hoạch trong khung điều khiển dự đoán mô hình (MPC) để kiểm soát điểm đặt nhiệt độ của hệ thống HVAC. Các mô hình được huấn luyện hoàn toàn dựa trên dữ liệu đo đạc và kiểm tra hiệu suất thông qua các thử nghiệm thực nghiệm trên dữ liệu mô phỏng và thực tế.
4 – KẾT QUẢ NGHIÊN CỨU
Kết quả cho thấy các mô hình liên tục thời gian hiệu quả hơn về mẫu và mạnh mẽ hơn đối với các quan sát bị thiếu và không đều. Khi so sánh với các mô hình thời gian rời rạc, các mô hình liên tục thời gian yêu cầu ít mẫu hơn để đạt được cùng một mức độ chính xác trong việc điều chỉnh điểm đặt nhiệt độ nhằm giảm mức tiêu thụ năng lượng.