多维数字孪生(Multidimensional Digital Twin, MDDT)驱动的深度学习方法结合人体生理心理行为建模的模型预测控制(Model Predictive Control, MPC)智能建筑能效优化框架

《Energy and Buildings》:Environment driven consumer psychological behavior based MPC energy model: a multi-dimensional digital twins framework using deep learning

【字体: 大 中 小 】 时间:2026年01月27日 来源:Energy and Buildings 7.1

编辑推荐:

  摘要—智能建筑能源管理面临的关键挑战在于传统控制策略未充分考虑居住者动态生理心理响应及环境非线性耦合关系,导致能效与舒适度难以协同优化。本文提出一种基于多维数字孪生(Multidimensional Digital Twin, MDDT)的环境与居住者行为感知

  
摘要—智能建筑能源管理面临的关键挑战在于传统控制策略未充分考虑居住者动态生理心理响应及环境非线性耦合关系,导致能效与舒适度难以协同优化。本文提出一种基于多维数字孪生(Multidimensional Digital Twin, MDDT)的环境与居住者行为感知深度学习方法增强模型预测控制(Deep Learning-enhanced Model Predictive Control, DL-MPC)框架,用于住宅及小型商业建筑HVAC与照明系统优化。研究人员采用Magnus-Tetens近似计算露点温度(Tdew),引入改进预测平均投票数(modified Predicted Mean Vote, PMV)模型融合核心体温(Tcore)、血管舒缩信号(Vm)及可穿戴设备实时生理反馈,建立集总参数热平衡方程描述室内温湿度动态。卷积神经网络(Convolutional Neural Network, CNN)捕获空间分区能耗特征,长短期记忆网络(Long Short-Term Memory, LSTM)捕捉时序依赖预测未来状态向量x?(t+1),MPC代价函数同时惩罚能耗Ec(t)2、室内温度偏离Tindoor(t)?Tdesired、相对湿度偏离Hindoor(t)?Hdesired及核心体温偏离Tcore(t)?Tcore,desired(设定36.5°C),控制变量为HVAC功率PHVAC(t)与设定温差ΔTset(t)。基于真实气象数据(OpenWeatherMap API)、EnergyPlus建筑热模拟、NREL太阳能资源、Fitbit生理监测、Nest温控器日志及Pecan Street能耗数据集,12个月仿真验证表明:相比规则控制与标准线性MPC,所提MDDT-DL-MPC实现25.3%节能率、预测均方根误差RMSE=0.12 kWh、热舒适度对齐率95.2%(PMV∈[?0.5,+0.5])、峰值负荷削减18.7%、运行成本降24.8%、碳排放减27.1%,且具收敛性与闭环渐近稳定性证明。该框架通过实时生理—环境—行为数字镜像实现预见式个性化舒适调控,为可持续智慧建筑提供理论支撑。
论文解读:《多维数字孪生(MDDT)驱动的深度学习方法结合人体生理心理行为建模的模型预测控制(MPC)智能建筑能效优化框架》
一、研究背景与问题提出
传统智能建筑HVAC(Heating, Ventilation, and Air Conditioning,供暖通风与空调)及照明控制多采用固定时间表或简单开关规则,未充分考虑居住者(Occupant)动态生理热调节(如血管收缩/舒张、出汗)、主观心理热舒适感知差异及室外气象参数的强非线性时空耦合,导致过度供能或舒适不满足。标准模型预测控制(Model Predictive Control, MPC)虽优于规则控制,但通常采用一阶RC(Resistance-Capacitance,阻容)集总参数模型且忽略居住者生理反馈,预测精度受限。数字孪生(Digital Twin, DT)可提供实时镜像但缺乏深层非线性模式挖掘能力。因此亟需融合环境与居住者多维状态、深度学习(Deep Learning, DL)时序—空间特征提取及生理心理行为量化,构建自适应闭环节能—舒适协同优化体系。本文发表于《Energy and Buildings》。
二、主要关键技术方法
研究人员构建Multidimensional Digital Twin(MDDT)框架:①环境层以室外温度Toutdoor(t)、相对湿度Houtdoor(t)、风速Ws(t)、云量Ccloud(t)、降水P(t)为输入,用Magnus-Tetens公式计算露点Tdew(t)=f(Toutdoor,Houtdoor);②建筑热动态采用一阶RC模型Ci·dTindoor(t)/dt=QHVAC+Qsolar+Qinternal+Qvent+Qcond,其中QHVAC为可控量;③人体生理层由Fanger PMV扩展为PMV=f(Tindoor,Hindoor,Va,Vm(t),Bconsumer(t)=Tcore(t),Mr(t),Icl(t))+κ·g(Vm,Tcore),Tcore(t+1)=fcore(Tindoor,Hindoor,Tdew,Bconsumer),Tcore,desired=36.5°C;④行为响应R(t)=?·tanh[θ·(Tindoor(t)?Tdesired)+ψ·(Hindoor(t)?Hdesired)+ω·Cf(t)],Cf(t)=η·(PMV(t)?PMVdesired)+ζ·ΔTset(t);⑤DL预测:CNN(3层卷积+ReLU+MaxPooling+全连接)处理64×64二维空间矩阵(分区温湿光占用),LSTM(2层堆叠128/64单元+Dropout 0.2)输入6 h滑动窗口(Toutdoor,Houtdoor,Irradiance,Tset,Tcore,Cf,历史Ec)输出x?(t+1)=[T?indoor,H?indoor,T?core,PMV?]T;⑥MPC优化minuJ=Σ[α·Ec(t)2+β‖Tindoor(t)?Tdesired‖?2+γ‖Hindoor(t)?Hdesired‖?2+δ‖Tcore(t)?Tcore,desired‖?2]+Vf(N),u(t)=[PHVAC(t),ΔTset(t)]T,带终端约束x(N)∈Xf;⑦求解用CVXPY+ECOS,15 min步长;⑧数据源自OpenWeatherMap、EnergyPlus、NREL、Fitbit API、Nest Thermostat API、Pecan Street、Green Button、REDD、Azure Spatial Anchors,12个月10万条记录,80%训练20%测试,5折交叉验证。收敛性与闭环稳定性由定理(代价函数凸+Lipschitz连续动态+紧致可行集+控制不变终端集)与引理(有界DL预测误差下渐近稳定)保证。
三、研究结果
3.1 环境参数与露点动力学及HVAC控制
户外温湿范围Toutdoor?10~40°C、Houtdoor20%~90%,经Magnus公式计算Tdew输入LSTM;当Tdew→Tindoor时MPC增大除湿功率保Hindoor≤60%。RC热平衡方程量化围护结构传导、太阳辐射、内扰与通风得Qheat=hconvection·Abuilding·(Tindoor?Toutdoor),Ci为室内空气家具体效热容。
3.2 消费者生理与心理建模
3.2.1 生理响应:人体热平衡Qbody=M?W+Qconduction+Qconvection+Qevaporation+Qradiation,Tcore(t+1)依赖Tindoor,Hindoor,Tdew,Bconsumer。
3.2.2 心理热舒适:改进PMV加入生理项κ·g(Vm,Tcore)(κ=0.2),RMSE由0.25降至0.22;Cf(t)=0.5·(PMV(t)?0)+0.3·ΔTset(t)。
3.2.3 行为与能耗:R(t)含温湿偏离与Cf加权双曲正切(?=1.0,θ=0.4,ψ=0.3,ω=0.2),总能耗Ec(t)=henergy(Tindoor,Hindoor,Tdew,Cf,R)。
3.3 深度学习预测模型
CNN捕获房间分区空间分布(64×64网格含气象+时刻编码),LSTM以6 h窗(24步×15 min)预测x?(t+1);Adam优化,MSE/MAE损失,Dropout防过拟合,预测RMSE=0.12 kWh,5折CI ±0.1°C(T),±0.15(PMV)。
3.4 MPC公式化
3.4.1 MPC优化:代价含能耗平方项及Tindoor,Hindoor,Tcore跟踪偏差,控制u=[PHVAC,ΔTset],状态x更新由FDL(·)给出,终端约束保递归可行性。伪代码描述DT初始化→传感器同步→DL预测→QP求解→执行首控制→反馈校正重训。
3.4.2 DL增强预测:x?(t+1)=FDL(Tindoor,Hindoor,Tdew,Cf,R)供MPC滚动时域。
3.4.3 评价指标:峰荷削减%=(Puncontrolled?Pcontrolled)/Puncontrolled×100;预测精度=100×(1?MAE/y?actual)%;节能%;学习曲线。
3.5 收敛与稳定性证明
Theorem 1:J(u)凸、F Lipschitz连续、U紧、终端集控制不变→MPC序列收敛至u*(t)且J单调不增。Lemma 1:‖εDL(t)‖≤εmax且终端约束满足→闭环渐近稳定。Corollary 1:εDL(t)→0→全局渐近稳定。证毕。
4.1 仿真设置与数据描述
12个月、15 min步长,气象API+EnergyPlus+NREL+Fitbit+Nest+Pecan Street+Green Button+REDD+Azure空间锚,环境变量统计见表3,居住者生理能耗统计见表4。
4.2 MDDT性能表现与图表分析
周气象显示T 5~18°C、RH 40~65%、Irradiance昼峰影响预冷/预热;分项能耗HVAC波动最大受T驱动,照明随日照降低,家电呈早晚峰;舒适度与Tset联动闭环调整;T—E强非线性(R2=0.92);箱线图示HVAC变异最大需高分辨率控制;光伏—负荷—电池SOC显示削峰填谷;预测vs实测RMSE=0.12 kWh,误差随训练下降;DL-MPC较无控削峰18.7%;LSTM学习曲线收敛;累计电费省24.8%;碳排减27.1%;生理—行为—能耗关联色图示94.3%舒适对齐。
4.2.1–4.2.2 环境与居住者参数统计
表3:T均值15±7.35°C、RH 60.04±5.77%、Irradiance 255.93±312.37 W/m2、风5±1 m/s、云50±28.82%、Tset21.5±1°C。表4:Tcore36.5±0.2°C、HR 75±2 bpm、HVAC E 0.72±0.65 kWh、照明0.10±0.06、家电1.00±0.20、总1.82±0.68、光伏25.59±31.24 kWh、电池5.08±4.93 kWh。
4.3 对比分析
表5:规则基准节能8.7%、RMSE 0.38、舒适78.4%;标准MPC节能15.1%、RMSE 0.25、舒适85.6%(p=0.02/0.04);MDDT-DL-MPC节能25.3%、RMSE 0.12、舒适95.2%、运行时50–100 ms(p<0.01/<0.05),显著优于对照。
4.4 创新与理论意义
首次在统一DT中耦合环境—生理(Vm,Tcore自Fitbit)—心理(PMV修正)—行为(R(t)自Nest)多维实时反馈与CNN+LSTM非线性预测,DL-MPC代价含Tcore跟踪,闭环数字镜像实现预见式个性舒适调控,具收敛稳定性证明。
4.5 局限与展望
局限:需高频传感器(10 s Nest API)、假设边缘延迟<2 s、纯仿真未现场部署。展望:强化学习MPC、硬件在环(Hardware-in-the-Loop, HIL)测试、商业建筑扩展、实时电价集成、园区级多建筑、联邦学习隐私保护。
四、结论翻译
所提基于环境与居住者生理心理行为数据的MPC模型融合MPC与DL,集成实时环境(T,H,辐照)、生理(Tcore,血管舒缩)及行为(舒适偏好)数据,仿真结果表明较规则控制节能25.3%,能耗预测RMSE=0.12 kWh,PMV∈[?0.5,+0.5]时段占95.2%,优化光伏利用降碳27.1%,DL增强MPC(LSTM+CNN)使峰值负荷削减18.7%,收敛至最优代价1%内约需42次迭代,在保障居住者热舒适前提下实现建筑可持续运行。局限性包括高频传感依赖、理想低延时假设及缺实地验证;未来工作含强化学习MPC、HIL测试、多建筑扩展及联邦学习应用。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号