动态类比参考系统（DARS）在建筑热系统热经济诊断中的应用开发

动态热系统建模与异常检测研究提出基于机器学习的动态类比参考系统（DARS），通过多层感知机模型预测锅炉、换热器及储水罐的热力学变量，验证其在极端工况下的适应性。案例研究表明预测误差低于0.05，支持建筑能效优化与可持续发展目标。

作者：Irati Prol-Godoy、Fabricio Martins-Silva、Dimas José Rúa-Orozco、F.Javier Rey-Martinez、Ana Picallo-Perez

研究团队：ENEDI研究小组，巴斯克大学（UPV/EHU）能源工程系，地址：Alameda Urquijo, S/N, 48013 Bilbao, Vizcaya, 西班牙

摘要

本研究利用机器学习开发了一种易于使用且成本低廉的建筑热系统计算动态模型。其主要目标是创建一个动态类比参考系统（DARS），以便与当前运行系统进行比较、检测异常并实时量化其影响。DARS考虑了建筑中热系统的灵活行为，并通过机器学习对组件进行建模，以实时预测热力学变量，适应各种运行条件，包括极端情况，并且仅使用有限数量的传感器即可正常运行。该代码应用于一个供应生活热水（DHW）需求的案例研究，其中针对锅炉、换热器和储水罐等组件训练了多层感知器模型。在正常条件下，这些模型的均方误差非常低：锅炉为1.11e-3，换热器为1.25e-9，储水罐为2.93e-4。为了验证该工具的适应性，还包含了极端情况，即使可能性较低，生活热水需求也翻倍，然后将模型的预测结果与TRNSYS仿真结果进行比较。结果显示性能优异，归一化预测误差低于0.05。研究表明，集成机器学习使模型能够利用历史数据和实时数据不断进化，而无需在基础设施上进行大量投资。此外，所提出的方法通过热经济诊断促进了预测性维护，为资源有限的建筑提供了有价值的能源优化工具。这项工作有助于普及能源效率技术，支持全球可持续发展目标和减缓气候变化。

章节摘录

引言

由于建筑建设和运营对环境有重大影响，提高建筑能源效率十分必要，因为建筑活动占全球能源消耗的很大一部分。建筑行业的需求不断增长，加上这些过程对环境的影响，推动了国际政策和法规的进步，要求优化能源资源，特别是在热系统方面。在欧盟，2024/1274号指令[1]对此提出了要求

目标

如前所述，由于缺乏易于使用且经济可行的工具，以及许多建筑中传感器数量不足，先进实时建模和仿真技术的应用一直受到限制，这使得实施智能能源管理系统以进行维护和异常检测变得困难。本研究的主要目标是开发DARS，这是一个在建筑热经济诊断应用中具有关键作用的新模型

材料与方法

为了正确理解DARS的开发过程，必须区分两组数据：（1）参考数据和（2）运行数据。（1）参考数据是在热系统调试期间从传感器获得的数据，假设此时没有设备受到干扰。或者，参考数据也可以被视为热系统的初始测量值，即使在存在异常的情况下，这些数据仍被用作基准

案例研究

本研究关注的热系统已在[27]中得到应用，该系统包括满足20人生活热水需求的关键组件，采用传统的天然气供暖系统，如图4所示。该系统包含一个28千瓦的冷凝锅炉，用于加热流经系统的水。该设施还配备了一个换热器和一个1立方米的储水罐，用于储存生活热水以供将来使用。此外，还有液压泵等设备

结果

本节展示了每个反渗透（RO）的ANN（人工神经网络）结果，这些结果通过将它们连接在一起并输入数据来创建DARS。

由于篇幅限制，本研究仅展示了RO_BOI的数据处理结果（其余图示见附件），尽管所有建模组件的预测数值结果也已提供。

结论

本研究提出了一种名为“动态类比参考系统”（DARS）的创新解决方案，实现了与当前运行系统相当的参考系统建模，从而能够检测故障。

DARS的开发标志着在建筑热系统热经济诊断应用方面的重大进展，这类系统的动态特性尤为明显，而工业系统中的此类方法则更为成熟

讨论

本研究的结果证实了使用基于机器学习的反渗透（RO）构建DARS的可行性，该DARS能够预测建筑热系统在真实运行条件下的理想行为。案例研究表明，即使在极端情况下，所提出的方法也能实现准确预测，体现了该方法的稳健性和适应性。同时，分析也揭示了一组需要考虑的约束条件和开发需求

作者贡献声明

Fabricio Martins-Silva：撰写、审稿与编辑、软件开发。 Dimas José Rúa-Orozco：撰写、审稿与编辑、方法论研究、概念构建。 Irati Prol-Godoy：撰写初稿、验证、方法论研究、概念构建。 Francisco Javier Rey-Martinez：项目指导、项目管理。 Ana Picallo-Perez：撰写、审稿与编辑、项目管理、资源协调、项目指导

利益冲突声明

☒ 作者声明以下可能构成潜在利益冲突的财务利益/个人关系：

Irati Prol-Godoy与巴斯克政府存在关系，包括获得资金资助。如果还有其他作者，他们声明没有已知的可能会影响本文所述工作的财务利益或个人关系。

致谢

Irati Prol-Godoy感谢巴斯克政府提供的奖学金，这使她能够完成博士学位，并支持她在拉夫拉斯联邦大学（UFLA）的研究工作。同时，她也要感谢巴斯克政府的质量控制实验室在她的博士论文完成过程中给予的支持。