Active Learning for Optimal Experimental Design in Machine Learning-Based Building Energy System Identification

Sintesi Tecnica: Apprendimento Attivo per la Progettazione Sperimentale Ottimale nell'Identificazione di Sistemi Energetici Edilizi basata sul Machine Learning

Definizione del Problema
Le tecniche di machine learning (ML) sono sempre più adottate per identificare la dinamica dei sistemi energetici edilizi (BES), in particolare la dinamica termica HVAC, grazie alla loro flessibilità rispetto alla modellazione fisica. Tuttavia, le prestazioni di questi modelli basati sui dati dipendono fortemente dalla qualità dei dati di addestramento. Gli approcci standard si affidano spesso all'apprendimento passivo (PL) con input di controllo uniformemente casuali (ad esempio, PRBS, rumore bianco), che può essere inefficiente, richiedendo dataset massicci per stimare accuratamente le dinamiche di sistema non lineari. Il documento affronta la necessità di una Progettazione Sperimentale Ottimale (OED) per determinare quali esperimenti condurre al fine di raccogliere i dati più informativi. Sebbene l'OED e l'Apprendimento Attivo (AL) condividano meccanismi sottostanti, gli studi esistenti sull'energia edilizia hanno ampiamente applicato funzioni di acquisizione singole e ad hoc senza un confronto sistematico tra diversi paradigmi di AL o classi di modelli ML. Inoltre, molti lavori precedenti si concentrano sulla predizione o classificazione statica piuttosto che sull'identificazione di sistemi dinamici online sotto vincoli di controllo realistici.

Metodologia
Lo studio propone un confronto sistematico di quattordici tecniche di AL applicate all'identificazione della dinamica termica degli edifici. La metodologia è strutturata attorno ai seguenti componenti:

1. Formulazione del Sistema: Il problema è modellato come un sistema dinamico a tempo discreto in cui l'obiettivo è apprendere un'approssimazione della funzione non lineare incognita $f$ che governa la transizione dallo stato $x_k$ e dall'input di controllo $u_k$ allo stato successivo $x_{k+1}$.
2. Classi di Modelli: Vengono valutate due distinte architetture ML:
   • Deterministica: Una Rete Neurale (NN) Feedforward che approssima le dinamiche tramite predizioni puntuali.
   • Stocastica: Un Processo Gaussiano (GP) che fornisce una distribuzione predittiva posteriore con stime dell'incertezza nativa.
3. Tassonomia dell'Apprendimento Attivo: I quattordici tecniche sono categorizzate in quattro gruppi basati sulla logica della loro funzione di acquisizione:
   • Spazio dei Dati: Metodi che si affidano alla struttura geometrica (Greedy Sampling, Inverse Distance Weighting).
   • Incertezza: Metodi che mirano a regioni di alta incertezza predittiva (Query-by-Committee, Monte Carlo Dropout per NN; Maximize Variance, Integrated Variance Reduction per GP).
   • Guadagno di Informazione: Metodi che mirano alla stima degli iperparametri (Fisher Information, Shannon Entropy per GP).
   • Cambiamento del Modello: Metodi che mirano al maggiore aggiornamento atteso dei parametri del modello (Expected Model Change Maximization, Maximize Last Layer Change per NN; Upper Confidence Bound, Probability of Improvement per GP).
4. Configurazione Sperimentale: Tutti gli algoritmi sono implementati e valutati sul simulatore ad alta fedeltà BOPTEST, che utilizza Modelica per modellare dinamiche HVAC realistiche. Lo studio impiega un framework di apprendimento online con aggiornamenti a batch (riaddestramento ogni 10 campioni).
5. Scenari di Test: Le prestazioni sono valutate attraverso sei scenari che variano in:
   • Dimensione del Dataset Iniziale: 2 punti dati (scarsità di dati) rispetto a 10 punti dati.
   • Vincoli di Controllo: Vincoli di rampa stretti (che simulano limiti HVAC realistici) rispetto a vincoli di rampa ampi.
   • Metriche di Valutazione: Root Mean Square Error (RMSE) calcolato su tre finestre temporali (0–2h, 0–12h, 0–24h) e riportato sia come media della finestra che come valori dell'ultimo step temporale.

Contributi Chiave
Il documento apporta tre contributi primari:

1. Tassonomia Sistematica: Classifica formalmente e deriva le funzioni di acquisizione per quattordici tecniche di AL attraverso sia le classi di modelli deterministiche (NN) che stocastiche (GP), organizzate nelle quattro categorie menzionate sopra.
2. Valutazione ad Alta Fedeltà: A differenza degli studi precedenti che si affidano a dataset statici o semplici banchi di prova virtuali, questo lavoro implementa e valuta tutte le tecniche sul simulatore BOPTEST, incorporando dinamiche HVAC e vincoli di controllo realistici.
3. Confronto Empirico Completo: Lo studio fornisce un'ampia analisi empirica attraverso diverse dimensioni di dati iniziali e vincoli operativi, confrontando tutti i metodi AL con un baseline di apprendimento passivo (PL) con input uniformemente casuali.

Risultati
I risultati della simulazione indicano che i modelli basati su AL generalmente superano l'apprendimento passivo (PL) con input di controllo uniformemente casuali, ottenendo riduzioni dell'errore fino al 54% in scenari specifici. Tuttavia, l'entità e la costanza di questi miglioramenti variano significativamente in base alla funzione di acquisizione, alla classe di modello e al regime operativo:

• Regime di Scarsità di Dati (2 punti iniziali, vincoli stretti): I metodi AL mostrano i benefici più significativi.
  • Per i modelli GP, Integrated Variance Reduction (IVR) e Inverse Distance Weighting (IDWGP) hanno ottenuto prestazioni elevate, con IDWGP che ha raggiunto una riduzione dell'RMSE del 54% nella finestra 0–12h.
  • Per i modelli NN, Query-by-Committee (QBC) e i metodi di Cambiamento del Modello basati sul gradiente (EMCM, MLLC) hanno fornito i maggiori miglioramenti, con QBC che ha ridotto la media RMSE del 27–42% nelle prime finestre.
• Regime di Abbondanza di Dati (10 punti iniziali, vincoli ampi): Il vantaggio dell'AL rispetto al PL diminuisce. In diversi scenari a medio-lungo termine, il PL si è comportato in modo comparabile o migliore rispetto a specifici metodi AL (ad esempio, GSGP e SE per GP; MCD per NN).
• Osservazioni Specifiche del Modello:
  • Processi Gaussiani: La categoria Guadagno di Informazione (Fisher Information) è diventata il performer più forte una volta che i vincoli di rampa sono stati moderatamente allentati. Il metodo di Spazio dei Dati GSGP è costantemente fallito nel migliorare rispetto al PL in tutti gli scenari.
  • Reti Neurali: L'Campionamento dell'Incertezza (specificamente QBC) è rimasto la categoria più costantemente competitiva. Monte Carlo Dropout (MCD) non è riuscito a migliorare rispetto al PL nello scenario di scarsità di dati, suggerendo problemi di calibrazione in questo contesto.
• Tendenza Generale: I benefici della OED sono più pronunciati e affidabili quando i dati di addestramento iniziali sono scarsi e l'intervallo di controllo ammissibile è strettamente vincolato.

Significatività e Rivendicazioni
Il documento sostiene che l'approccio di progettazione sperimentale basato sull'Apprendimento Attivo è uno strumento prezioso per l'identificazione dei sistemi energetici edilizi, particolarmente nel regime di scarsità di dati, dove la raccolta di dati è costosa o richiede molto tempo. Stabilisce che non esiste una singola funzione di acquisizione universalmente superiore; la scelta ottimale dipende dalla classe di modello (deterministico vs. stocastico) e dai vincoli operativi specifici (disponibilità di dati e limiti di rampa del controllo).

Lo studio funge da benchmark di base per la ricerca futura, evidenziando che, sebbene l'AL possa ridurre significativamente l'errore del modello (fino al 54% nei migliori casi), i suoi benefici non sono garantiti in tutte le condizioni. Gli autori concludono con modestia che il loro lavoro si concentra su un sistema relativamente semplice (quattro input, un output) e non valuta i costi computazionali, suggerendo che il lavoro futuro dovrebbe estendere questi risultati a sistemi non lineari più complessi e includere l'analisi statistica del carico computazionale.