Достижения в области многоцелевой оптимизации систем автоматизации умного здания

Эволюция автоматизации умного здания

Системы автоматизации умного здания эволюционировали от простых программируемых логических контроллеров до сложных распределенных сетей, которые интегрируют датчики, исполнительные механизмы и облачную аналитику. Эти системы управляют освещением, HVAC, безопасностью и другими подсистемами в режиме реального времени, стремясь повысить эффективность работы при сохранении комфортной среды для пассажиров. Стремление к зданиям с нулевой энергией в сочетании со строгими правилами устойчивости ускорило принятие передовых стратегий управления. Среди них многообъективная оптимизация выделяется как критический фактор, поскольку она решает внутренние конфликты между экономией энергии, тепловым комфортом, качеством воздуха в помещении и стоимостью. Одновременно рассматривая несколько показателей производительности, современная автоматизация зданий может достичь результатов, которые ранее были недостижимы с помощью однообъективных подходов.

Основой любого интеллектуального здания является его способность чувствовать, решать и действовать. С распространением устройств IoT здания теперь генерируют огромные потоки данных о заполняемости, погоде, использовании энергии и состоянии оборудования. Однако это богатство данных представляет собой проблему: как обрабатывать и использовать его для оптимального управления. Традиционные контроллеры на основе правил или PID не подходят для динамических, нелинейных взаимодействий между подсистемами. Многообъективная оптимизация обеспечивает систематическую основу для навигации по этим сложностям, предоставляя решения, которые адаптируются к изменяющимся условиям при соблюдении противоречивых целей.

Основы многообъективной оптимизации

Многообъективная оптимизация (MOO) имеет дело с проблемами, которые имеют две или более объективных функций, которые должны быть минимизированы или максимизированы одновременно. В контексте умных зданий типичные цели включают минимизацию потребления энергии, максимизацию теплового комфорта (измеряется с помощью индексов PMV или PPD), минимизацию выбросов углерода и минимизацию эксплуатационных расходов. Эти цели часто противоречивы - например, снижение энергии HVAC может ухудшить комфорт. В отличие от однообъективной оптимизации, которая дает уникальное оптимальное решение, MOO производит набор компромиссных решений, известных как фронт Парето. Каждое решение на этом фронте является оптимальным Парето, что означает, что никакая цель не может быть улучшена без ухудшения по крайней мере одной другой.

Математически многообъективная задача может быть выражена как минимальная (или максимизирующая) \(\mathbf{F}(\mathbf{x}) = [f 1(\mathbf{x}), f 2(\mathbf{x}), \ldots, f k(\mathbf{x})\) с учетом ограничений. Вектор принятия решения \(\mathbf{x}\) может включать в себя заданные точки для температуры, уровней освещения, скоростей вентилятора и графиков. Пространство решения обычно является высокоразмерным, и фронт Парето представляет собой наилучшие доступные компромиссы. Затем лица, принимающие решения, выбирают предпочитаемую операционную точку с этого фронта, часто используя такие методы, как взвешенная сумма, программирование целей или интерактивные методы. Последние достижения в метаэвристических алгоритмах и машинном обучении позволили приблизить фронт Парето для сложных моделей зданий в режиме реального времени.

Оптимальность Парето объяснена

Концепция оптимальности Парето, названная в честь экономиста Вильфредо Парето, является центральной для МОО. Решение Парето оптимально, если не существует другого возможного решения, которое улучшает по крайней мере одну цель без ухудшения другой. Набор всех таких решений формирует фронт Парето. Для автоматизации зданий это означает, что для любого заданного уровня потребления энергии система может найти стратегию управления, которая максимизирует комфорт (или минимизирует дискомфорт) без потери энергии. И наоборот, для фиксированного уровня комфорта она может минимизировать энергию. Визуализация фронта Парето помогает руководителям зданий понять компромиссы и принимать обоснованные решения на основе приоритетов, таких как удовлетворенность пассажиров или стоимость коммунальных услуг.

Методы решения многообъективных проблем

Существуют три широкие категории методов MOO: априорные методы, где предпочтения указаны перед оптимизацией (например, взвешенная сумма); методы апостериори, которые генерируют весь фронт Парето и позволяют лицу, принимающему решение, выбирать позже (например, NSGA-II, MOPSO); и интерактивные методы, где предпочтения включены итеративно. В приложениях для умного здания методы апостериори популярны, поскольку они обеспечивают всеобъемлющий взгляд на компромиссы, позволяя адаптивные стратегии, которые реагируют на изменения в реальном времени. Однако вычислительные затраты могут быть высокими, особенно для крупномасштабных моделей зданий. Последние достижения в суррогатном моделировании и параллельных вычислениях смягчили эту проблему, позволяя онлайн-оптимизацию.

Последние достижения в области многообъективных методов оптимизации

За последнее десятилетие был достигнут значительный прогресс в алгоритмической разработке MOO, обусловленный потребностями сложных инженерных систем и наличием более мощных вычислительных ресурсов.В автоматизации умного здания выделяются три основных потока: эволюционные алгоритмы, интеграция машинного обучения и гибридные подходы, которые сочетают в себе оба.

Эволюционные алгоритмы

Эволюционные алгоритмы (ЭА) — это метаэвристика на основе популяции, вдохновленная биологической эволюцией. Они итеративно применяют отбор, кроссовер и мутацию для улучшения набора решений-кандидатов. Для МОО были разработаны специализированные варианты для сохранения разнообразия и сходства с истинным фронтом Парето. Два заметных примера — не доминирующий сортирующий генетический алгоритм II (NSGA-II) и многообъективная оптимизация теплоты частиц (MOPSO).

Генетические алгоритмы для управления зданием

Генетические алгоритмы (ГА) особенно эффективны для оптимизации зданий из-за их способности обрабатывать нелинейные, мультимодальные и дискретные переменные. Например, GA может одновременно оптимизировать заданные температуры, положения демпфера и графики освещения. Исследование Jahangiri и Allinson (2020) продемонстрировало, что многообъективный GA уменьшил энергию HVAC на 25%, сохраняя тепловой комфорт в приемлемых пределах в коммерческом здании. Алгоритм исследовал тысячи возможных стратегий управления, прежде чем сходить на фронт Парето, что выявило неожиданные компромиссы, такие как преимущество разрешения небольших температурных сдвигах в незанятые часы. Современные GA также включают в себя элитарность и методы ниширования для повышения скорости конвергенции и разнообразия решений.

Оптимизация теплой частицы

Оптимизация роя частиц (PSO) имитирует социальное поведение птиц, стекающихся или рыболовных школ. Каждая частица регулирует свое положение на основе своего самого известного решения и самого известного решения роя. В многообъективном варианте (MOPSO) архив хранит не доминируемые решения, а частицы направляются в менее переполненные области объективного пространства. MOPSO предлагает быструю конвергенцию и хорошо подходит для приложений в реальном времени, таких как корректировка точек HVAC каждые 15 минут на основе прогнозов заполняемости. Исследования Кумара и Капура (2021) [FLT: 1]] показали, что контроллер на основе MOPSO достиг 15%-го снижения пикового спроса при сохранении колебаний температуры ниже 0,5 ° C, превосходя нечеткий логический контроллер.

Подходы машинного обучения

Машинное обучение (ML) улучшает MOO двумя основными способами: путем построения точных суррогатных моделей динамики здания и изучения предпочтений жильцов или профилей комфорта. Суррогатные модели, такие как гауссовые процессы или нейронные сети, заменяют вычислительно дорогостоящие физические симуляции, делая оптимизацию в реальном времени возможной. Например, глубокая нейронная сеть может предсказать энергетическое и комфортное воздействие любого управляющего действия в течение миллисекунд, позволяя оптимизатору тестировать тысячи сценариев без запуска полного моделирования здания.

Более того, ML может вывести индивидуальный комфорт жильцов из температуры кожи, частоты сердечных сокращений или даже выражения лица, что позволяет персонализировать контроль. Многообъективный контроллер, который включает такие модели, может сбалансировать экономию энергии с комфортом конкретных жильцов в зоне. В недавнем проекте в Национальной лаборатории возобновляемых источников энергии (NREL) исследователи объединили обучение с MOO для создания самообучающегося термостата, который постоянно улучшает свои компромиссные решения.

Гибридные методы

Гибридные методы сочетают в себе сильные стороны EA, ML и математического программирования. Например, можно использовать GA для изучения фронта Парето во всем мире, а затем совершенствовать перспективные регионы с последовательным квадратичным программированием или байесовской оптимизацией. Другой подход заключается в встраивании нейронной сети в алгоритм MOO для адаптивной настройки скорости кроссовера или мутации на основе разнообразия населения. Такие гибриды продемонстрировали превосходную производительность в бенчмарк-тестах и все чаще применяются в автоматизации зданий. Примером является адаптивная NSGA-II с суррогатной оценкой пригодности, которая сократила вычислительное время на 60% без ущерба для качества решения.

Приложения и преимущества в системах умного здания

Практическая реализация многоцелевой оптимизации в интеллектуальных зданиях дает ощутимые преимущества в нескольких областях. В следующих разделах освещаются наиболее эффективные приложения.

Управление энергопотреблением и снижение пиковой нагрузки

Оптимизация потребления энергии является наиболее непосредственным применением. Путем формулирования проблемы как многоцелевого компромисса между стоимостью энергии и комфортом жильцов контроллеры могут снизить счета за электроэнергию на 20-30% в типичных коммерческих зданиях. Более продвинутые формулировки также включают сигналы реагирования на спрос, ценообразование на время использования и возобновляемую генерацию на месте. Например, интеллектуальный контроллер здания с использованием MOO может предварительно охладить здание с использованием недорогого ночного электричества, сместив нагрузку на охлаждение от пиковых часов. Это снижает как стоимость, так и нагрузку на сеть. Полевое испытание, проведенное Управлением строительных технологий DOE, сообщило о 25%-м сокращении пикового спроса при сохранении температуры в помещении в зонах комфорта ASHRAE.