文章概括：在含有LNG & PV的多能源区域供冷系统中，使用基于人工神经网络的模型预测控制，可以在保证用户室内舒适度的前提下，减少从电网获取的电量。

论文标题：Artificial-neural-network-based model predictive control to exploit energy flexibility in multi-energy systems comprising district cooling

论文作者：Gianluca Coccia , Alice Mugnini , Fabio Polonara , Alessia Arteconi

摘要：对多能源系统的区域供冷系统(DCS)可以通过模型预测控制(MPC)进行控制，当能源需求和系统可用性之间存在响应不匹配时，MPC旨在减少备用冷却系统从电网获取电能。本文采用DCS系统回收天然气区域供冷系统，用于小区夏季制冷。在小区内，有一个多能源系统（包括DCS、太阳能光伏和基于变负荷空气-水源热泵的备用系统），该区域的一名用户使用基于人工神经网络(ANN)的MPC管理能源需求，通过在建筑模拟环境中集成基于ANN的MPC程序，并使用可变设定点恒温控制(TCLs)方法，与基于规则控制的方法相比，可以减少高达71%的电能消耗。

Keywords：液化天然气、人工神经网络、区域供冷、能源的灵活性、预测控制

在建筑和区域中，能源灵活性是系统的一种属性，可以根据给定的目标进行控制。使用模型预测控制(MPCs)可以建释放筑中能源灵活性的方法在于：MPCs是一种智能控制系统，可以帮助管理多能源系统中的不同能源。如果MPC的优化算法正确地评估能源之间的相互作用，并能够解锁建筑的能源灵活性，就有可能在满足用户冷却需求的同时，从电网获取最小的电能。

01 方法

基于不同种类来源(废弃能源、RESs、化石)的多能源系统的智能管理，如果它的子系统能够在高层MPC的管理下交互，就可以实现显著的节约一次能源效果。MPC应该能够在一个有用的预测范围内预测RESs的可用性和潜在的免费能源（如浪费的能源）以及系统的能源需求。为了达到这个目标，MPC必须依赖于一个能代表被研究系统的模型。使用基于人工神经网络(ANN)的黑盒模型，可以最大化利用大数据可用性，并对模型本身进行持续改进。

本研究中讨论的MPC是一个由DCS、光伏(PV)电池板和基于可变负荷空气-水源热泵(AWHPs)的备用系统组成的多能源系统，减少系统从电网中获取的电力。DCS使用从液体-压缩天然气(L-CNG)燃料站回收的废冷热能，而AWHPs从电网或光伏模块获取电能。多能源系统用于满足由8栋独栋住宅组成的小区的制冷需求。每栋房子都连接到DCS，并有一个专用的光伏电站和AWHP。将为多能源系统供能的PV模块的瞬时可用性和DCS的废弃冷热能称为基线，能量不足部分通过从电网获取电力补偿。在基准线上，为提供设计的热舒适性，局部控制是在固定的室内温度区间(25.5±0.5℃)内工作的传统恒温器，不能利用建筑的能源灵活性。

02 基于工神经网络的冷负荷需求预测

用于MPC预测冷却需求的神经网络可以用大量数据进行训练。然而在训练之前，起决定作用的是选择最佳的神经网络架构。冷负荷需求的建模基本上就是确定建筑何时需要冷却，这可以看作是一个布尔可满足性问题（确定是否存在满足给定布尔公式的解释的问题）。因此，最适合选择的神经网络是专门用于分类问题的架构。模式识别网络是一种前馈网络，可以根据目标类别对输入进行分类。

影响冷负荷需求的主要变量为室内设定值温度、室外温度和建筑热增益。在这些变量中，室内设定值温度对建筑物的热性能有很大的影响。在确定用于训练神经网络的数据选择以及数量上，太小的数据集可能会导致网络的整体插值性能较差，太多的数据可能会导致问题的过拟合（过拟合加剧了网络的插值容量，导致在向神经网络提供新数据时，输出的结果不佳）。为了避免过拟合，该数据集只考虑500个标准化小时数据，并将数据集随机细分为训练集(50%)、验证集(30%)和测试集(20%)。

通过选择适当数量的神经元和神经元层来避免过拟合。本研究中使用的神经网络由一个包有10个神经元的隐藏层组成(如图10所示)，这能很好地折中网络性能和数据过拟合之间的问题。隐层使用的激活函数是sigmoid，而输出层使用的激活函数是softmax。网络训练选择的最小化算法为默认的缩放共轭梯度反向传播。

图10 用于预测冷却需求Qbuild的神经网络架构

为了评估神经网络的性能，文章使用了交叉熵方法（Cross-Entropy Method）。根据ANN模型提供的结果，网络的训练、验证、测试和总体精度分别为96.0%、94.7%、90.0%和94.4%。

03 MPC在仿真环境中的集成

本研究中，MPC可以最大限度地减少建筑物中的备用电器从电网中获取的电力。随着冷负荷需求的增加，MPC可以获取在一定预测范围内的系统中由DCS提供的废弃冷能和由PV产生的电力，以及在建筑物中使用的可变负荷空气-水源热泵（AWHP）的性能系数(COP)。在这些量已知的情况下，MPC可以处理一个能量最小化算法，并根据建筑的能源灵活性可用性确定一个最佳室内设定值温度(Tset)，优化变量Tset的值，限定于{24.5,25.5,26.5,27.5}集内。

考虑到研究的多能源系统的性质，监控MPC应该为本地控制单元提供每个时间步长内的三个数据：最佳室内设定值温度(Tset)，用于与DCS热交换的布尔控制以及用于AWHP功能的布尔控制。虽然Tset是在整个预测时间内进行能量最小化的结果，但两个布尔控制的选择也取决于当前时间步长内自由能源的实际可用性。

MPC优化算法必须最小化的目标函数是基于建筑物的总体能量平衡，在选定的整个预测范围内进行评估。可以写成如下形式：

通过公式(1)，对于每个时间步t, MPC可以预测系统在(t+tPH)的总电能。因此，MPC的最小化算法需找到室内设定值温度Tset，使系统从电网获取最小的总电量。如下所示：

图11总结了MPC操作及其与独户住宅(用户4)的交互。住宅、其他用户和DCS在TRNSYS模拟环境中再现。MPC的最小化算法根据公式(2)确定使Egrid最小化的最优Tset值，然后将Tset的值与根据具体问题情况确定的布尔控件CTRLDCS和CTRLHP输出到TRNSYS仿真环境。

图11 仿真环境框图。对于每个时间步骤t，用户4的子环境与MPC程序的交互

（该程序确定了预测范围tPH上的最优Tset以及控件CTRLDCS和CTRLHP）

结论：

预测时间范围的选择会影响MPC的性能。图12表示与基线相比，对不同预测时间范围(6、12、18、24小时)，MPC减少从电网获取的电量。对于不同预测时间范围，使用MPC可以减少从电网获取的电量。在预测时间范围为18h，MPC能够减少从电网获取71%的电量。最佳预测期通常是短预测时间和长预测时间之间的权衡，短期预测更精确但预测能力更有限，长期预测为控制提供了更多的信息，但可靠性可能较低。

图12 在不同的预测时间范围内从电网吸收的电量。能量偏差参照基线。

MPC的使用可以减少从电网获取的总电量，也会导致室内温度的变化，如图14所示。因此，建筑内部的热舒适水平可能会不足【文章使用冷却季的预测平均投票(PMV)方法表现热舒适水平】。

图14 基线和MPC在18小时预测范围内工作的典型一周内的室内和设定温度(用户4)

由图18可看出，在MPC条件下，有204小时不满足abs(PMV)＜0.5，约占整个制冷季的7%，PMV趋势表现出较好的热舒适水平。在基线条件下，有108小时不满足abs(PMV)＜0.5， 约占整个制冷季的4%。因此，MPC也能够保证良好的热舒适质量。

图18 用户4在降温季的PMV趋势为基线 MPC在18小时的预测水平内工作