一种基于LSTM的模型预测控制方法，用于挖掘马来西亚商业建筑中建筑能源灵活性的潜力

《Scientific Reports》：A LSTM-based model predictive control method for unlocking the potential of building energy flexibility in Malaysian commercial buildings

　　

摘要

由于建筑物具有较高的能源消耗量以及更好的电网集成能力，它们被视为具有潜力的能源灵活性资源。为了充分利用热带气候下建筑物的能源灵活性，需要制定优化的运营策略，同时考虑成本节约和热舒适性。模型预测控制（MPC）被广泛认为是制定最优策略的有效方法之一。然而，传统MPC的实际应用常常受到计算负担较大的限制。本研究提出了一种基于长短期记忆网络（LSTM）的模型预测控制（LSTM-LBMPC）方法，该方法利用LSTM神经网络从包含最优控制轨迹的数据集中学习和模仿MPC的行为。这种方法消除了对在线优化的需求，显著降低了对计算资源的依赖。仿真实验是在马来西亚一座采用变风量（VAV）冷却系统的商业办公建筑上进行的，实验环境为热带气候条件。结果表明，与传统控制策略相比，LSTM-LBMPC分别使能源成本降低了13.89%和12.75%，峰值电力负荷降低了30.20%和27.8%，同时并未影响热舒适性。特别是与传统MPC相比，LSTM-LBMPC可以将计算成本降低多达99.8%，而性能上的损失很小。