Идентификация возмущающих воздействий для модели температурного режима помещений с использованием нейронной сети
Ключевые слова:
нейронные и LSTM-сети, метод наименьших квадратов, фильтрация, системы отопления, тепловой режим здания
Аннотация
Внедрение IoT-устройств для систем теплоснабжения зданий дает возможность получения большого объема различной информации о температурном режиме помещений. На уровне отдельных помещений существенное влияние оказывают факторы, измерение величины которых остается затруднительным. Это приводит к некорректной идентификации моделей температурного режима помещений, что делает задачу учета неизвестных возмущений актуальной.
Предложен метод идентификации температурного режима помещений зданий с учетом неизвестных возмущающих воздействий, позволяющий учитывать неизвестные возмущения в динамических системах. Время воздействия неизвестных возмущений описано с использованием индикаторных функций. Идентификация временных характеристик индикаторных функций выполнена с помощью нейронных LSTM-сетей путем решения задачи бинарной классификации принадлежности меток времени выборки данных измерений к неизвестным возмущениям. Последовательность учета неизвестных возмущений в модели найдена путем сортировки оценки степени принадлежности меток времени к началу некоторого неизвестного возмущения, получаемой в результате решения задачи бинарной классификации.
Продемонстрировано применение предложенного подхода в задаче идентификации температурного режима на тестовых данных с двумя выборками неизвестных возмущений со случайной степенью и длительностью воздействия. Полученные результаты демонстрируют корректность предложенного подхода, использование которого позволяет повысить точность идентификации статических и динамических характеристик моделей систем в условиях воздействия неизвестных возмущений.
Литература
1. Панферов С.В., Тренин Н.А., Панферов В.И. Об одном решении задачи построения общей модели теплового режима здания и его системы отопления // Вестник Южно-Уральского гос. ун-та. Серия «Компьютерные технологии, управление, радиоэлектроника». 2017. № 17. Вып. 3. С. 24—33.
2. Кычкин А.В., Дерябин А.И., Викентьева О.Л. и др. Автоматизация процессов компенсационно-предиктивного управления климат-системами интеллектуального здания // Вестник МГСУ. 2019. № 6(129). С. 734—747.
3. He X., Kong Q., Xiao Z. Fast Simulation Methods for Dynamic Heat Transfer through Building Envelope Based on Model-order-Reduction // Proc. Eng. 2015. V. 121. Pp. 1764—1771.
4. Preka M., Kreseb G. Experimental Analysis of an Improved Regulation Concept for Multi-Panel Heating Radiators: Proof-of-Concept // Energy. 2018. V. 161. Pp. 52—59.
5. An. J. e. a. An Improved Method for Direct Incident Solar Radiation Calculation from Hourly Solar Insolation Data in Building Energy Simulation // Energy and Buildings. 2020. V. 227. Pp. 1—20.
6. Darula S., Christoffersen J., Malikova M. Sunlight and Insolation of Building Interiors // Energy Procedia. 2015. V. 78. Pp. 1245—1250.
7. Веснин В.И. Инфильтрация воздуха и тепловые потери помещений через оконные проемы // Градостроительство и архитектура. 2016. № 3(24). С. 10—16.
8. Happle G., Fonseca J., Schlueter A. Effects of Air Infiltration Modeling Approaches in Urban Building Energy Demand Forecasts // Energy Proc. 2014. V. 122. Pp. 283—288.
9. Goubran S. e. a. Comparing Methods of Modeling Air Infiltration Through Building Entrances and Their Impact on Building Energy Simulations // Energy and Buildings. 2017. V. 138. Pp. 579—590.
10. Elsland R., Peksen I., Wietschel M. Are Internal Heat Gains Underestimated in Thermal Performance Evaluation of Buildings? // Energy Procedia. 2014. V. 62. Pp. 32—41.
11. Basalaev A., Kazarinov L., Shnayder D. Heating Management System Based on Wireless Sensor Networks // Proc. Global Smart Industry Conf. 2018. Pp. 1—8.
12. Idowu S. e. a. Applied Machine Learning: Forecasting Heat Load in District Heating System // Energy and Buildings. 2016. V. 133. Pp. 478—488.
13. Zhao Y. e. a. A Review of Data Mining Technologies in Building Energy Systems: Load Prediction, Pattern Identification, Fault Detection and Diagnosis // Energy and Built Environment. 2020. V. 1. Iss. 2. Pp. 149—164.
14. Ahmad T., Chen H., Huang Y. Short-Term Energy Prediction for District-Level Load Management Using Machine Learning Based Approaches // Energy Proc. 2019. V. 158. Pp. 3331—3338.
15. Turner W., Staino A., Basu B. Residential HVAC Fault Detection Using a System Identification Approach // Energy and Buildings. 2017. V. 151. Pp. 1—17.
16. Zhao Y. e. a. Artificial Intelligence-Based Fault Detection and Diagnosis Methods for Building Energy Systems: Advantages, Challenges and the Future // Renewable and Sustainable Energy Rev. 2019. V. 109. Pp. 85—101.
17. Шалимов А.С., Тимошенков С.П. Разработка универсального способа удаления случайной постоянной составляющей из входного сигнала в условиях априорной неопределенности // Известия ЮФУ. Серия «Технические науки». 2018. № 1(195). С. 104—116.
18. Yan K., Ji Zh., Shen W. Online Fault Detection Methods for Chillers Combining Extended Kalman Filter and Recursive One-Class SVM // Neurocomputing. 2017. V. 228. Pp. 205—212.
19. Самойленко М.В. Томографический метод восстановления сигнала после прохождения через фильтр с известной характеристикой // Автоматизация процессов управления. 2017. № 2(48). С. 22—29.
20. Арановский С.В., Бардов В.М. Метод оптимальной идентификации параметров линейного динамического объекта в условиях возмущения // Проблемы управления. 2012. № 3. C. 35—40.
21. Basalaev A., Tochilkin M., Shnayder D. Enhancing Room Thermal Comfort Conditions Modeling in Buildings Through Schedule-Based Indicator Functions for Possible Variable Thermal Perturbation Inputs // Proc. Intern. Conf. Industrial Eng., Appl. and Manufacturing. 2019. Pp. 1—8
---
Для цитирования: Басалаев А.А. Идентификация возмущающих воздействий для модели температурного режима помещений с использованием нейронной сети // Вестник МЭИ. 2021. № 6. С. 137—147. DOI: 10.24160/1993-6982-2021-6-137-147
#
1. Panferov S.V., Trenin N.A., Panferov V.I. Ob Odnom Reshenii Zadachi Postroeniya Obshchey Modeli Teplovogo Rezhima Zdaniya i Ego Sistemy Otopleniya. Vestnik Yuzhno-Ural'skogo Gos. Un-ta. Seriya «Komp'yuternye Tekhnologii, Upravlenie, Radioelektronika». 2017;17;3:24—33. (in Russian).
2. Kychkin A.V., Deryabin A.I., Vikent'eva O.L. i dr. Avtomatizatsiya Protsessov Kompensatsionno-Prediktivnogo Upravleniya Klimat-sistemami Intellektual'nogo Zdaniya. Vestnik MGSU. 2019;6(129):734—747. (in Russian).
3. He X., Kong Q., Xiao Z. Fast Simulation Methods for Dynamic Heat Transfer through Building Envelope Based on Model-order-Reduction. Proc. Eng. 2015;121:1764—1771.
4. Preka M., Kreseb G. Experimental Analysis of an Improved Regulation Concept for Multi-Panel Heating Radiators: Proof-of-Concept. Energy. 2018;161:52—59.
5. An. J. e. a. An Improved Method for Direct Incident Solar Radiation Calculation from Hourly Solar Insolation Data in Building Energy Simulation. Energy and Buildings. 2020; 227:1—20.
6. Darula S., Christoffersen J., Malikova M. Sunlight and Insolation of Building Interiors. Energy Procedia. 2015;78:1245—1250.
7. Vesnin V.I. Infil'tratsiya Vozdukha i Teplovye Poteri Pomeshcheniy Cherez Okonnye Proemy. Gradostroitel'stvo i Arkhitektura. 2016;3(24):10—16. (in Russian).
8. Happle G., Fonseca J., Schlueter A. Effects of Air Infiltration Modeling Approaches in Urban Building Energy Demand Forecasts. Energy Proc. 2014;122:283—288.
9. Goubran S. e. a. Comparing Methods of Modeling Air Infiltration Through Building Entrances and Their Impact on Building Energy Simulations. Energy and Buildings. 2017;138:579—590.
10. Elsland R., Peksen I., Wietschel M. Are Internal Heat Gains Underestimated in Thermal Performance Evaluation of Buildings?. Energy Procedia. 201;62:32—41.
11. Basalaev A., Kazarinov L., Shnayder D. Heating Management System Based on Wireless Sensor Networks. Proc. Global Smart Industry Conf. 2018:1—8.
12. Idowu S. e. a. Applied Machine Learning: Forecasting Heat Load in District Heating System. Energy and Buildings. 2016;133:478—488.
13. Zhao Y. e. a. A Review of Data Mining Technologies in Building Energy Systems: Load Prediction, Pattern Identification, Fault Detection and Diagnosis. Energy and Built Environment. 2020;1;2:149—164.
14. Ahmad T., Chen H., Huang Y. Short-Term Energy Prediction for District-Level Load Management Using Machine Learning Based Approaches. Energy Proc. 2019;158:3331—3338.
15. Turner W., Staino A., Basu B. Residential HVAC Fault Detection Using a System Identification Approach. Energy and Buildings. 2017;151:1—17.
16. Zhao Y. e. a. Artificial Intelligence-Based Fault Detection and Diagnosis Methods for Building Energy Systems: Advantages, Challenges and the Future. Renewable and Sustainable Energy Rev. 2019;109:85—101.
17. Shalimov A.S., Timoshenkov S.P. Razrabotka Universal'nogo Sposoba Udaleniya Sluchaynoy Postoyannoy Sostavlyayushchey iz Vkhodnogo Signala v Usloviyakh Apriornoy Neopredelennosti. Izvestiya YUFU. Seriya «Tekhnicheskie Nauki». 2018;1(195):104—116. (in Russian).
18. Yan K., Ji Zh., Shen W. Online Fault Detection Methods for Chillers Combining Extended Kalman Filter and Recursive One-Class SVM. Neurocomputing. 2017;228:205—212.
19. Samoylenko M.V. Tomograficheskiy Metod Vosstanovleniya Signala Posle Prokhozhdeniya Cherez Fil'tr s Izvestnoy Kharakteristikoy. Avtomatizatsiya Protsessov Upravleniya. 2017;2(48):22—29. (in Russian).
20. Aranovskiy S.V., Bardov V.M. Metod Optimal'noy Identifikatsii Parametrov Lineynogo Dinamicheskogo Ob′ekta v Usloviyakh Vozmushcheniya. Problemy Upravleniya. 2012;3:35—40. (in Russian).
21. Basalaev A., Tochilkin M., Shnayder D. Enhancing Room Thermal Comfort Conditions Modeling in Buildings Through Schedule-Based Indicator Functions for Possible Variable Thermal Perturbation Inputs. Proc. Intern. Conf. Industrial Eng., Appl. and Manufacturing. 2019:1—8.
---
For citation: Basalaev A.A. Identification of Disturbances for a Room Temperature Conditions Model Using a Neural Network. Bulletin of MPEI. 2021;6:137—147. (in Russian). DOI: 10.24160/1993-6982-2021-6-137-147
2. Кычкин А.В., Дерябин А.И., Викентьева О.Л. и др. Автоматизация процессов компенсационно-предиктивного управления климат-системами интеллектуального здания // Вестник МГСУ. 2019. № 6(129). С. 734—747.
3. He X., Kong Q., Xiao Z. Fast Simulation Methods for Dynamic Heat Transfer through Building Envelope Based on Model-order-Reduction // Proc. Eng. 2015. V. 121. Pp. 1764—1771.
4. Preka M., Kreseb G. Experimental Analysis of an Improved Regulation Concept for Multi-Panel Heating Radiators: Proof-of-Concept // Energy. 2018. V. 161. Pp. 52—59.
5. An. J. e. a. An Improved Method for Direct Incident Solar Radiation Calculation from Hourly Solar Insolation Data in Building Energy Simulation // Energy and Buildings. 2020. V. 227. Pp. 1—20.
6. Darula S., Christoffersen J., Malikova M. Sunlight and Insolation of Building Interiors // Energy Procedia. 2015. V. 78. Pp. 1245—1250.
7. Веснин В.И. Инфильтрация воздуха и тепловые потери помещений через оконные проемы // Градостроительство и архитектура. 2016. № 3(24). С. 10—16.
8. Happle G., Fonseca J., Schlueter A. Effects of Air Infiltration Modeling Approaches in Urban Building Energy Demand Forecasts // Energy Proc. 2014. V. 122. Pp. 283—288.
9. Goubran S. e. a. Comparing Methods of Modeling Air Infiltration Through Building Entrances and Their Impact on Building Energy Simulations // Energy and Buildings. 2017. V. 138. Pp. 579—590.
10. Elsland R., Peksen I., Wietschel M. Are Internal Heat Gains Underestimated in Thermal Performance Evaluation of Buildings? // Energy Procedia. 2014. V. 62. Pp. 32—41.
11. Basalaev A., Kazarinov L., Shnayder D. Heating Management System Based on Wireless Sensor Networks // Proc. Global Smart Industry Conf. 2018. Pp. 1—8.
12. Idowu S. e. a. Applied Machine Learning: Forecasting Heat Load in District Heating System // Energy and Buildings. 2016. V. 133. Pp. 478—488.
13. Zhao Y. e. a. A Review of Data Mining Technologies in Building Energy Systems: Load Prediction, Pattern Identification, Fault Detection and Diagnosis // Energy and Built Environment. 2020. V. 1. Iss. 2. Pp. 149—164.
14. Ahmad T., Chen H., Huang Y. Short-Term Energy Prediction for District-Level Load Management Using Machine Learning Based Approaches // Energy Proc. 2019. V. 158. Pp. 3331—3338.
15. Turner W., Staino A., Basu B. Residential HVAC Fault Detection Using a System Identification Approach // Energy and Buildings. 2017. V. 151. Pp. 1—17.
16. Zhao Y. e. a. Artificial Intelligence-Based Fault Detection and Diagnosis Methods for Building Energy Systems: Advantages, Challenges and the Future // Renewable and Sustainable Energy Rev. 2019. V. 109. Pp. 85—101.
17. Шалимов А.С., Тимошенков С.П. Разработка универсального способа удаления случайной постоянной составляющей из входного сигнала в условиях априорной неопределенности // Известия ЮФУ. Серия «Технические науки». 2018. № 1(195). С. 104—116.
18. Yan K., Ji Zh., Shen W. Online Fault Detection Methods for Chillers Combining Extended Kalman Filter and Recursive One-Class SVM // Neurocomputing. 2017. V. 228. Pp. 205—212.
19. Самойленко М.В. Томографический метод восстановления сигнала после прохождения через фильтр с известной характеристикой // Автоматизация процессов управления. 2017. № 2(48). С. 22—29.
20. Арановский С.В., Бардов В.М. Метод оптимальной идентификации параметров линейного динамического объекта в условиях возмущения // Проблемы управления. 2012. № 3. C. 35—40.
21. Basalaev A., Tochilkin M., Shnayder D. Enhancing Room Thermal Comfort Conditions Modeling in Buildings Through Schedule-Based Indicator Functions for Possible Variable Thermal Perturbation Inputs // Proc. Intern. Conf. Industrial Eng., Appl. and Manufacturing. 2019. Pp. 1—8
---
Для цитирования: Басалаев А.А. Идентификация возмущающих воздействий для модели температурного режима помещений с использованием нейронной сети // Вестник МЭИ. 2021. № 6. С. 137—147. DOI: 10.24160/1993-6982-2021-6-137-147
#
1. Panferov S.V., Trenin N.A., Panferov V.I. Ob Odnom Reshenii Zadachi Postroeniya Obshchey Modeli Teplovogo Rezhima Zdaniya i Ego Sistemy Otopleniya. Vestnik Yuzhno-Ural'skogo Gos. Un-ta. Seriya «Komp'yuternye Tekhnologii, Upravlenie, Radioelektronika». 2017;17;3:24—33. (in Russian).
2. Kychkin A.V., Deryabin A.I., Vikent'eva O.L. i dr. Avtomatizatsiya Protsessov Kompensatsionno-Prediktivnogo Upravleniya Klimat-sistemami Intellektual'nogo Zdaniya. Vestnik MGSU. 2019;6(129):734—747. (in Russian).
3. He X., Kong Q., Xiao Z. Fast Simulation Methods for Dynamic Heat Transfer through Building Envelope Based on Model-order-Reduction. Proc. Eng. 2015;121:1764—1771.
4. Preka M., Kreseb G. Experimental Analysis of an Improved Regulation Concept for Multi-Panel Heating Radiators: Proof-of-Concept. Energy. 2018;161:52—59.
5. An. J. e. a. An Improved Method for Direct Incident Solar Radiation Calculation from Hourly Solar Insolation Data in Building Energy Simulation. Energy and Buildings. 2020; 227:1—20.
6. Darula S., Christoffersen J., Malikova M. Sunlight and Insolation of Building Interiors. Energy Procedia. 2015;78:1245—1250.
7. Vesnin V.I. Infil'tratsiya Vozdukha i Teplovye Poteri Pomeshcheniy Cherez Okonnye Proemy. Gradostroitel'stvo i Arkhitektura. 2016;3(24):10—16. (in Russian).
8. Happle G., Fonseca J., Schlueter A. Effects of Air Infiltration Modeling Approaches in Urban Building Energy Demand Forecasts. Energy Proc. 2014;122:283—288.
9. Goubran S. e. a. Comparing Methods of Modeling Air Infiltration Through Building Entrances and Their Impact on Building Energy Simulations. Energy and Buildings. 2017;138:579—590.
10. Elsland R., Peksen I., Wietschel M. Are Internal Heat Gains Underestimated in Thermal Performance Evaluation of Buildings?. Energy Procedia. 201;62:32—41.
11. Basalaev A., Kazarinov L., Shnayder D. Heating Management System Based on Wireless Sensor Networks. Proc. Global Smart Industry Conf. 2018:1—8.
12. Idowu S. e. a. Applied Machine Learning: Forecasting Heat Load in District Heating System. Energy and Buildings. 2016;133:478—488.
13. Zhao Y. e. a. A Review of Data Mining Technologies in Building Energy Systems: Load Prediction, Pattern Identification, Fault Detection and Diagnosis. Energy and Built Environment. 2020;1;2:149—164.
14. Ahmad T., Chen H., Huang Y. Short-Term Energy Prediction for District-Level Load Management Using Machine Learning Based Approaches. Energy Proc. 2019;158:3331—3338.
15. Turner W., Staino A., Basu B. Residential HVAC Fault Detection Using a System Identification Approach. Energy and Buildings. 2017;151:1—17.
16. Zhao Y. e. a. Artificial Intelligence-Based Fault Detection and Diagnosis Methods for Building Energy Systems: Advantages, Challenges and the Future. Renewable and Sustainable Energy Rev. 2019;109:85—101.
17. Shalimov A.S., Timoshenkov S.P. Razrabotka Universal'nogo Sposoba Udaleniya Sluchaynoy Postoyannoy Sostavlyayushchey iz Vkhodnogo Signala v Usloviyakh Apriornoy Neopredelennosti. Izvestiya YUFU. Seriya «Tekhnicheskie Nauki». 2018;1(195):104—116. (in Russian).
18. Yan K., Ji Zh., Shen W. Online Fault Detection Methods for Chillers Combining Extended Kalman Filter and Recursive One-Class SVM. Neurocomputing. 2017;228:205—212.
19. Samoylenko M.V. Tomograficheskiy Metod Vosstanovleniya Signala Posle Prokhozhdeniya Cherez Fil'tr s Izvestnoy Kharakteristikoy. Avtomatizatsiya Protsessov Upravleniya. 2017;2(48):22—29. (in Russian).
20. Aranovskiy S.V., Bardov V.M. Metod Optimal'noy Identifikatsii Parametrov Lineynogo Dinamicheskogo Ob′ekta v Usloviyakh Vozmushcheniya. Problemy Upravleniya. 2012;3:35—40. (in Russian).
21. Basalaev A., Tochilkin M., Shnayder D. Enhancing Room Thermal Comfort Conditions Modeling in Buildings Through Schedule-Based Indicator Functions for Possible Variable Thermal Perturbation Inputs. Proc. Intern. Conf. Industrial Eng., Appl. and Manufacturing. 2019:1—8.
---
For citation: Basalaev A.A. Identification of Disturbances for a Room Temperature Conditions Model Using a Neural Network. Bulletin of MPEI. 2021;6:137—147. (in Russian). DOI: 10.24160/1993-6982-2021-6-137-147
Опубликован
2021-05-19
Выпуск
Раздел
Математическое моделирование, численные методы и комплексы программ (05.13.18)
