Parameter estimation for grey-box models of building thermal behaviour

مدل های خوب برای ایجاد رفتار حرارتی، بخش مهمی از توسعه سیستم های مدیریت انرژی ساختمان هستند که قادر به کاهش مصرف انرژی برای گرم کردن فضایی از طریق کنترل پیش بینی مدل می باشند. یک رویکرد رایج برای مدل سازی تغییرات دما در ساختمان ها، مدل های خاکستری جعبه ای است که بر پایه شبکه های حرارتی پارامتری متمرکز شده است. با ایجاد مدل های ساده و کالیبراسیون پارامترهای آنها از داده های اندازه گیری، مدل حاصل هر دو دقیق است و قابلیت های تعمیم خوبی را نشان می دهد. اغلب پارامترهای این مدل ها ترکیبی از ویژگی های مختلف فیزیکی ساختمان می باشند، از این رو آنها تفسیر فیزیکی دارند. در این مقاله، پراکندگی برآورد پارامترها با استفاده از برنامه ریزی مورد بررسی قرار گرفته است. ما نشان می دهیم که پراکندگی قابل توجهی در تخمین پارامترها در هنگام استفاده از شرایط اولیه تصادفی برای یک الگوریتم بهینه سازی عددی وجود دارد. علاوه بر این، ادعا می کنیم که برای تفسیر فیزیکی به پارامترهای مدل خاکستری جعبه، ما نیاز به پارامترهای تخمینی را مستقل از شرایط اولیه و مجموعه داده های مختلف می خواهیم. با وجود پراکندگی پارامترهای تخمینی، توانایی پیش بینی مدل های خاکستری کالیبره شده با تایید مدل ها بر روی داده های مستقل نشان داده شده است. این نشان می دهد که مدل ها در یک سیستم کنترل پیش بینی مدل قابل استفاده هستند.