Data-driven Modeling and Black-box Optimization of MPC Parameters for Building Control
Authors
Bruhn, Kasper ; Johnasen, Tristan Grusgaard
Term
4. semester
Education
Publication year
2024
Submitted on
2024-05-31
Pages
98
Abstract
Vi forbedrede en tidligere udviklet resistiv–kapacitiv (nRnC) modelleringsmetode til bygningssimulationer ved at: (1) inkludere forsinkede outputs (tidligere modeludgange som input) for bedre at fange langsomme processer, (2) indføre en mere effektiv træningsprocedure og (3) bruge en forbedret skalering i dataforberedelsen. Vi udviklede også et fysik-informeret neuralt netværk (PINN), der blev trænet med syntetiske data genereret af den forbedrede nRnC-model. PINN’ens tabfunktion kombinerede én-trins forudsigelser (næste tidssteg) på de genererede nRnC-data med flertrins (rekursive) forudsigelser på de oprindelige træningsdata og brugte automatisk differentiering til at beregne fejlgradienter. Derudover implementerede vi en Bayesiansk optimering til online justering af hyperparametre i Model Predictive Control (MPC), hvor reguleringen blev behandlet som en black-box og præstationsfeedback guidede søgningen. I tests på tværs af flere bygningssimulationer overgik både den forbedrede nRnC-model og PINN den oprindelige nRnC-model. Hyperparameter-tuningen forbedrede dog ikke ydeevnen, fordi den fejltolkede effekten af samtidigt skiftende omgivelsesforhold.
We improved a previously developed resistive–capacitive (nRnC) modeling approach for building simulations by: (1) adding delayed outputs (feeding past outputs back in) to capture slow dynamics, (2) adopting a more efficient training procedure, and (3) using better data scaling during preparation. We also developed a physics-informed neural network (PINN) trained with synthetic data generated by the improved nRnC model. The PINN’s loss combined one-step predictions (next time step) on the generated nRnC data with multi-step (recursive) predictions on the original training data, and used automatic differentiation to compute error gradients. In addition, we implemented a Bayesian optimizer for online tuning of Model Predictive Control (MPC) hyperparameters, treating the controller as a black box and using performance feedback to guide the search. Across multiple building simulations, both the improved nRnC model and the PINN outperformed the original nRnC model. However, the hyperparameter tuning did not improve performance because it misattributed the influence of concurrently changing ambient conditions.
[This summary has been rewritten with the help of AI based on the project's original abstract]
Keywords
Documents