《Energy and Buildings》:Two-stage MLP-lookup table model for predicting heat pump power in greenhouses
编辑推荐:
本研究针对温室运行中能耗成本高、现有预测模型在设备更换等场景下泛化能力不足的问题,开发并比较了用于预测温室电热泵能耗的两阶段多层感知器-查找表模型与独立多层感知器模型。研究结果表明,两阶段模型通过分离环境预测与设备性能映射,在设备更换时仍能保持高精度(CV(RMSE)hr< 4.0%),显著优于独立模型,为温室节能优化控制提供了更具适应性的解决方案。
在现代农业中,智能温室通过精确控制环境来应对全球粮食安全和气候变化的挑战。然而,维持理想微气候的能源消耗可占运营成本的50%,其中电热泵是主要的能耗设备。电热泵的能耗模式复杂,受外部天气、内部微气候、运行设定点和系统特性等多种因素影响。尽管机器学习模型在特定训练范围内表现出高精度,但其在不同操作条件、温室类型或设备规格下的适用性仍然有限,尤其是在实际运营中常见的设备更换场景下,模型的可靠性会显著下降。
为了应对这一挑战,研究人员在《Energy and Buildings》上发表了一项研究,旨在系统比较两种预测方法:两阶段多层感知器-查找表模型和独立多层感知器模型,用于预测温室环境中的EHP能耗。研究团队来自韩国机械与材料研究所城市环境研究部。
研究人员首先利用经过实验验证的TRNSYS建筑能源模拟模型生成了大量训练数据,模拟了不同控制策略(如遮阳屏、保温屏、通风)和天气条件下的温室动态。随后,他们开发了MLP模型来预测温室的温度和湿度(用于MLP-LUT模型)或直接预测EHP能耗(用于s-MLP模型)。模型的关键创新在于其两阶段架构:第一阶段使用MLP预测温室的内部状态(温度Tgh和相对湿度RHgh),第二阶段利用制造商提供的性能查找表,根据预测的环境条件和外部天气来估算EHP的功耗。相比之下,s-MLP模型采用端到端的方式,直接输入状态、天气和控制信息来预测能耗。研究人员采用贝叶斯优化对模型超参数进行调优,并在一系列基线条件和泛化测试场景下评估了模型的性能。
研究所采用的关键技术方法主要包括:利用TRNSYS进行建筑能源模拟以生成可靠的训练和测试数据;构建多层感知器人工神经网络模型用于非线性关系预测;实施贝叶斯优化算法进行模型超参数自动调优;以及基于制造商数据的查找表方法用于设备性能映射。这些方法的结合确保了模型开发和验证的严谨性。
模型性能评估与比较
研究结果表明,在基线操作条件下,两种模型都达到了较高的预测精度。MLP-LUT模型的CV(RMSE)hr为4.05%,s-MLP模型为4.04%,均满足ASHRAE Guideline 14的校准标准。预测时间步长对模型准确性有影响,随着预测提前时间的增加,误差会上升,但MLP-LUT模型在60分钟提前时间下仍表现出相对更好的稳健性。
模型泛化能力测试
研究人员在设定点温度、地理位置、控制策略和EHP型号四种变化条件下测试了模型的泛化能力。在改变EHP设定点温度和地理位置时,两种模型均保持了稳定的预测性能。然而,当EHP设备型号发生变化时,两种模型的性能出现了显著差异。s-MLP模型在应用于6kW和8kW级别的EHP时,CV(RMSE)hr分别急剧上升至139%和70%以上,表明其严重依赖于训练时特定的设备配置,无法推广到不同规格的设备。相反,MLP-LUT模型在此场景下表现出了卓越的适应性,其CV(RMSE)hr保持在4.0%以下。这证明了两阶段设计将环境动态预测与设备特定性能解耦的有效性。
研究结论强调,MLP-LUT框架通过其模块化设计,显著增强了对硬件更换的适应能力,解决了现有数据驱动模型在设备替换时性能退化严重的痛点。该模型为温室能源管理提供了更可靠、可扩展的预测工具,特别适用于需要进行系统升级或配置变化的实际应用场景。相比之下,s-MLP模型更适用于固定系统配置。这项工作为温室能耗预测模型的选型提供了实用指南,并为开发最优温室控制策略奠定了基础,对推动智慧农业的节能降耗具有重要意义。未来的工作将包括利用SHAP等方法进行特征重要性分析,并使用真实温室运行数据进行进一步验证。