Predicting the performance of hybrid ventilation in buildings using a multivariate attention-based biLSTM Encoder-Decoder neural network

要約

ハイブリッド換気は、信頼性の高い制御システムを備えているため、ほとんどの気候に新鮮な空気を供給するエネルギー効率の高いソリューションです。
このようなシステムを最適に運用するには、忠実度の高い制御指向のモデルが必要です。
窓の開閉や HVAC の動作スケジュールなどの動作条件に基づいて、室内空気温度をほぼリアルタイムで予測できるようにする必要があります。
ただし、物理ベースの制御指向モデル (つまり、ホワイト ボックス モデル) は、労働集約的で計算コストが高くなります。
あるいは、人工ニューラル ネットワークに基づくブラック ボックス モデルをトレーニングして、ダイナミクスを構築するための優れた推定器にすることもできます。
この論文では、深層ニューラル ネットワーク (DNN) の機能を調査します。DNN は、多変量マルチヘッド アテンション ベースの長期短期記憶 (LSTM) エンコーダー デコーダー ニューラル ネットワークであり、窓の開閉時の室内空気温度を予測します。
トレーニング データとテスト データは、詳細なマルチゾーン オフィス ビル モデル (EnergyPlus) から生成されます。
疑似乱数信号は、室内空気温度の設定値と窓の開閉インスタンスに使用されます。
この結果は、DNN が窓の開閉時に 5 つのゾーンの室内空気温度を正確に予測できることを示しています。
予測誤差は、24 ステップ先の予測 (6 時間先の予測) の後に横ばいになります。

要約(オリジナル)

Hybrid ventilation is an energy-efficient solution to provide fresh air for most climates, given that it has a reliable control system. To operate such systems optimally, a high-fidelity control-oriented modesl is required. It should enable near-real time forecast of the indoor air temperature based on operational conditions such as window opening and HVAC operating schedules. However, physics-based control-oriented models (i.e., white-box models) are labour-intensive and computationally expensive. Alternatively, black-box models based on artificial neural networks can be trained to be good estimators for building dynamics. This paper investigates the capabilities of a deep neural network (DNN), which is a multivariate multi-head attention-based long short-term memory (LSTM) encoder-decoder neural network, to predict indoor air temperature when windows are opened or closed. Training and test data are generated from a detailed multi-zone office building model (EnergyPlus). Pseudo-random signals are used for the indoor air temperature setpoints and window opening instances. The results indicate that the DNN is able to accurately predict the indoor air temperature of five zones whenever windows are opened or closed. The prediction error plateaus after the 24th step ahead prediction (6 hr ahead prediction).

arxiv情報

提供元, 利用サービス

arxiv.jp, Google