《Energy》:Deep Learning-Based Framework for Energy Control and Management in Commercial Smart Buildings and Hot and Arid Climate
编辑推荐:
•本研究介绍了一种集成深度学习框架,能够同时预测冷却负荷、室内温度、湿度和热舒适指数。•本研究利用多年的历史气象数据,并通过时间滞后特征工程进行处理。•该框架通过实现负荷和舒适参数的准确预测,直接支持智能需求侧能源管理。引言近年来,由于化石能源的限制、全球人口的增长以及能源消
- •
本研究介绍了一种集成深度学习框架,能够同时预测冷却负荷、室内温度、湿度和热舒适指数。
- •
本研究利用多年的历史气象数据,并通过时间滞后特征工程进行处理。
- •
该框架通过实现负荷和舒适参数的准确预测,直接支持智能需求侧能源管理。
引言
近年来,由于化石能源的限制、全球人口的增长以及能源消耗的不断升级,能源损耗一直是一个严重的问题。化石燃料资源的使用也导致了环境问题,包括温室气体。在这方面,最关键的解决方案之一是建筑物优化,因为建筑物被认为是最大的能源消费者之一 [1], [2], [3]。由于全球能源危机普遍存在以及与化石燃料使用相关的问题,能源消耗管理,特别是智能控制,近年来变得越来越重要 [4], [5], [6]。因此,智能建筑被建议作为一种创新方法,以减少能源使用并提高生产率 [7]。智能建筑通过应用当代技术(物联网和机器学习方法)实现对能源资源的有效管理和控制 [8]。
在建筑能源管理中,气候条件显著影响居住者的热舒适和能源需求 [9]。这在炎热干旱地区尤为重要,因为外部气候条件显著影响室内环境,需要高效的供暖、通风和空调(HVAC)系统 [10]。在官方建筑中,占用模式和内部得热相对可预测,智能能源控制系统可以产生巨大的节能效果而不牺牲舒适度 [11]。
常见的建筑能源管理系统缺乏实时输入和动态因素,如居住者的行为、决策和优先级以及变化的环境特征 [12], [13]。即使将这些信息添加到它们中,这些系统在智能推理方面仍存在缺陷,无法处理多个、动态和动力学问题 [14]。数据科学的最新进展为预测和优化建筑能源消耗创造了新的机会。然而,深度学习模型在建筑能源管理中的直接实施面临许多挑战,如室内环境的动态复杂性、影响因素的异质性,以及预测模型与实时控制系统的集成 [15]。
能源供应商的政策一直专注于在峰值需求期间减少能源消耗,以确保电网稳定性并避免能源分配中断 [16], [17]。减少能源消耗增强了电网稳定性,降低了消费者费用并减轻了环境污染 [18]。
数据驱动模型是一类基于仅从描述系统行为的一组训练数据中推导出的函数构建的统计模型 [19], [20]。当建筑物的物理特性不可用时,这种方法更为合适。这种方法不需要确定建筑物的行为。Fang 和 Lahdelma [21] 提出了两种基于线性回归的热需求预测模型,这些模型基于芬兰城市环境中每小时热负荷数据和气象数据(室外空气温度和风速)。结果表明,所提出的线性回归模型利用了具有周中假日的 168 小时需求模式,在所有测试模型中表现出最高的准确性和可靠性。Li 等人 [22] 使用多元线性回归来校准能源模型,减少了由于假设和简化造成的不确定性所导致的测量值与预测值之间的差异。这允许自动调整输入。Ferlito 等人 [23] 采用人工神经网络(ANN)预测意大利 Eboli 市一所学校的每月电力消耗。所建议的神经网络是一个非线性自回归神经网络。模型的性能结果表明,相关系数(R)指数在 0.84 和 0.97 之间,均方根百分比误差(RMSPE)指数在 14.59 和 21.92 百分比之间。换句话说,该模型表现良好。在 Mustap 等人 [24] 进行的另一项调查中,实施了粒子群优化算法以确定用于能源消耗预测的 NARX-ANN 网络的最佳层数、神经元数量以及输入和输出延迟。这项研究的结果表明,所提出的模型产生的错误比未优化的模型少。此外,优化比试错法更可靠地确定模型的神经元数量、输入延迟和输出延迟。Mustap 等人 [25] 调查了一座教育建筑中的需求侧管理措施,采用 NARX-ANN 模型来量化通过意识实现的节能。在统计误差方面,所提出的模型优于 NARX-ANN 模型。该模型确定意识计划的节能量为 170.84 kWh。
Moveh 等人 [26] 开发了一个基于图神经网络的深度学习框架,能够捕获时空依赖关系。该模型集成了多种气象变量,并在不同的建筑类别和季节条件下表现出一致的准确性。他们的发现表明,该方法在短期预测中的平均绝对百分比误差(MAPE)为 3.2%,在每日预测中为 4.2%。此外,该系统表现出对数据丢失的高度韧性,即使高达 30% 的输入数据丢失,仍能保持 95.8% 的预测准确性。Moveh 等人 [27] 引入了另一个利用变换器架构的深度学习模型,以在智慧城市发展背景下预测多栋建筑的能源消耗。这种方法在预测性能方面显示出显著的提升,实现了 3.2% 的 MAPE,这反映了比传统预测技术提高了 23.7%。Almazam 等人 [28] 提出了一种集成机器学习框架,将径向基函数神经网络与模型预测控制相结合,以优化沙特阿拉伯智能建筑中 HVAC 系统的能源性能。他们的发现显示出能源调节的显著改善,相对于传统控制策略实现了近 15% 的消耗减少。Cheng 和 Yao [29] 提出了一种利用循环神经网络(RNN)与非侵入负荷监测相结合的深度学习策略,以预测建筑能源需求,从而为智能建筑的更高效能源管理做出贡献。他们的方法表现出了优于传统模型的性能,准确率达到 97.2%。
本研究提出了一种新颖且具有韧性的框架,使用基于门控循环单元(GRU)并带有自注意力机制的深度学习模型来预测冷却负荷、室内温度、湿度和热舒适指数。所提出的框架实现了同时预测,并改进了时间对齐和准确性。该方法应用于炎热干旱气候下一个极端夏季时期的真实商业办公单元,利用每小时数据来训练和测试模型。关键创新在于结合 GRU 学习长期依赖关系的能力与注意力层动态权衡相关时间步长的能力。与此同时,将研究区域多年的历史气象数据整合到研究中,并对这些数据使用时间滞后以创建全面的见解,加上暖通空调技术数据和居民行为模式,使得所提出的模型区别于其他框架。这导致了预测准确性和响应性的增强。此外,这项研究在智能管理方面起着基本作用,通过考虑多种输入数据并预测冷却负荷、室内温度和湿度的需求,以及居住者热舒适参数,来管理建筑能源消耗的需求侧。研究努力提出一种可扩展的解决方案,以符合智能建筑能源管理和气候韧性设计的目标。
章节片段
材料与方法
预测智能建筑中的温度和相对湿度变化对于建立特定的运行参数至关重要,包括各个区域的温度设定值、管理能源消耗以及确保居住者的热舒适 [30]。
在本研究中,选择了位于沙特阿拉伯黑巴尔的一栋面积为 150 平方米的办公楼作为主要研究对象。该建筑的空间结构分为五个独立的操作区,这
结果与讨论
本节呈现并分析模拟结果。首先分析数学模型的验证结果。随后,模拟数据被用作训练数据在网络架构的开发中。此外,为了获得神经网络的优化配置,评估了影响其性能的参数。
图 3 提供了所选输入和输出变量的全面概述,这些变量用于所提出的深度学习
结论
本研究开发了一种混合深度学习框架,整合 GRU 与自注意力机制,以预测炎热干旱地区极端夏季条件下商业办公单元中的冷却负荷、室内温度、湿度和热舒适指数(PMV 和 PPD)。该办公单元包括五个功能不同的区域,允许所提出的模型在空间异质性中进行评估。该框架利用了每小时环境数据、技术暖通空调
CRediT 作者贡献声明
Ibtihaj Saad Rashed Alsadun:软件、方法学、形式分析、数据整理、构思。Mohammed Ahmad Said Mohammed:可视化、验证、软件、方法学、调查。Zeineb Ben Houria:撰写——原稿、可视化、验证、数据整理。Zahra Andleeb:资源、方法学、调查、形式分析。Faizah Mohammed Bashir:撰写——审阅与编辑、撰写——原稿、软件、资源、调查。Yakubu Aminu Dodo:撰写——
写作过程中生成式人工智能和人工智能辅助技术的声明
在准备本工作期间,作者使用了 ChatGPT 以提高可读性和语言。在使用该工具后,作者根据需要审阅和编辑了内容,并对出版物的内容承担完全责任。
资助
本研究由沙特阿拉伯海尔大学的科学研究院长办公室通过项目编号 RG-25 031 资助。
竞争性利益声明
? 作者声明他们没有任何已知的竞争财务利益或个人关系,这些关系可能被认为影响了本论文中报告的工作。
致谢
本研究由沙特阿拉伯海尔大学的科学研究院长办公室通过项目编号 RG-25 031 资助。
Ibtihaj Saad Rashed Alsadun|Mohammed Ahmad Said Mohammed|Zeineb Ben Houria|Zahra Andleeb|Faizah Mohammed Bashir|Yakubu Aminu Dodo