VB-NET: A physics-constrained gray-box deep learning framework for modeling air conditioning systems as virtual batteries

Dit artikel introduceert VB-NET, een fysiek-gedreven gray-box deep learning-framework dat airconditioning-systemen modelleert als virtuele batterijen om de interpretatie, data-efficiëntie en nauwkeurigheid van de gridregulatie te verbeteren.

De kern

Stel je voor: Airco's als onzichtbare batterijen

Stel je voor dat je een enorme, onzichtbare batterij in je huis hebt. Je kunt hem niet zien, maar hij kan stroom opslaan en weer afgeven. Klinkt als magie? Nee, het is gewoon je airconditioning (AC).

Deze wetenschappelijke studie, getiteld VB-NET, gaat over hoe we die "magische" batterij in elke airco kunnen vinden en gebruiken om het elektriciteitsnet te helpen. Hier is hoe het werkt, vertaald naar begrijpelijke taal:

1. Het probleem: De "Black Box"

Airco's zijn slimme apparaten, maar ze zijn ook erg complex. Ze koelen je huis niet alleen; ze slaan "kou" op in de muren en het meubilair (zoals een batterij die energie opslaat).

Vroeger hadden we twee manieren om dit te begrijpen:

• De fysici: Die probeerden alles uit te rekenen met ingewikkelde formules over muren, ramen en temperatuur. Het probleem? Je moet elke muur meten, wat onmogelijk is voor duizenden huizen.
• De computerwiskundigen: Die gebruikten slimme algoritmes (AI) om te raden wat er gebeurt. Het probleem? Ze zijn een "black box". Ze geven een goed antwoord, maar je weet niet waarom. Als ze een fout maken, kun je er niet op vertrouwen.

2. De oplossing: De "Virtuele Batterij"

De auteurs van dit papier hebben een briljant idee: Laten we de airco niet zien als een koelapparaat, maar als een batterij.

• De Analogie:
  • Een gewone batterij heeft een laadniveau (bijv. 50% vol).
  • Een airco heeft een temperatuur (bijv. 22 graden).
  • De onderzoekers hebben bewezen dat deze twee exact hetzelfde zijn! Als je de temperatuur van je huis omzet in een percentage, heb je een "Virtuele Batterij".
  • Koud huis = Volle batterij.
  • Warm huis = Lege batterij.

3. De nieuwe uitvinding: VB-NET (De slimme vertaler)

Ze hebben een nieuw computerprogramma gemaakt, VB-NET, dat als een slimme vertaler werkt. In plaats van alleen maar te gokken, doet het drie dingen die het uniek maken:

1. Het luistert naar het weer (De gedeelde kennis):
   Alle huizen in een wijk krijgen te maken met dezelfde zon en regen. VB-NET leert eerst hoe het weer werkt (zoals een leraar die de lesstof voor de hele klas uitlegt).
2. Het kent de eigenaar (De persoonlijke vingerafdruk):
   Elke airco is anders. De ene heeft slechte isolatie (de "lekkende emmer"), de andere is super geïsoleerd (de "dichte emmer"). VB-NET leert de unieke "vingerafdruk" van elk specifiek apparaat.
3. Het volgt de natuurwetten (De strenge leraar):
   Dit is het belangrijkste. Het programma is zo ontworpen dat het nooit mag zeggen dat een batterij 150% vol is of dat koude uit het niets ontstaat. Het is gebonden aan de wetten van de natuurkunde. Het is een "grijze doos": je ziet hoe het werkt, en het doet wat logisch is.

4. Waarom is dit zo geweldig? (De "Koude Start" truc)

Stel je voor dat je een nieuw huis koopt met een nieuwe airco. Je hebt nog geen data over hoe die airco werkt. Normaal gesproken moet je maanden wachten om te leren hoe hij werkt.

VB-NET kan dit direct oplossen:

• Omdat het programma al heeft geleerd hoe het weer werkt bij andere huizen, en omdat het begrijpt dat alle airco's volgens dezelfde natuurwetten werken, kan het de nieuwe airco begrijpen met slechts 2% tot 6% aan data.
• Het is alsof je een nieuwe student in een klas zet die al weet hoe de rest van de klas werkt. De nieuwe student hoeft niet alles van nul te leren; hij hoeft alleen maar zijn eigen "handtekening" (de specifieke isolatie van het huis) te leren.

Samenvatting in één zin

VB-NET is een slimme computer die airco's omtovert tot betrouwbare, voorspelbare batterijen, zodat we ze kunnen gebruiken om het elektriciteitsnet te stabiliseren, zelfs als we maar heel weinig gegevens over die specifieke airco hebben.

Dit helpt ons om meer zonne- en windenergie te gebruiken, omdat die "virtuele batterijen" in onze huizen de pieken en dalen in stroomopwekking kunnen opvangen.

Technische samenvatting

Hier is een gedetailleerde technische samenvatting van het artikel "VB-NET: A physics-constrained gray-box deep learning framework for modeling air conditioning systems as virtual batteries" in het Nederlands.

Titel: VB-NET: Een fysisch-beperkt gray-box deep learning-framework voor het modelleren van airconditioningsystemen als virtuele batterijen

Auteurs: Yuchen Qi, Ye Guo en Yinliang Xu
Publicatie: Preprint (Elsevier), maart 2026

---

1. Probleemstelling

De toenemende integratie van hernieuwbare energie vereist meer flexibiliteit aan de vraagzijde van het elektriciteitsnet. Airconditioning (AC) systemen in gebouwen bezitten aanzienlijke thermische inertie en kunnen potentieel fungeren als flexibele hulpbronnen (virtuele batterijen). Echter, er zijn drie belangrijke uitdagingen bij het modelleren van deze systemen:

1. Beperkingen van fysische modellen: Traditionele thermodynamische modellen (zoals Equivalent Thermal Parameter - ETP) vereisen nauwkeurige meting van parameters zoals thermische weerstand ($R$) en capaciteit ($C$). Deze zijn moeilijk te meten, vertonen grote variatie tussen gebouwen en beperken de schaalbaarheid.
2. Beperkingen van data-gedreven modellen: Bestaande "black-box" deep learning-modellen (zoals LSTM, CNN) missen interpretbaarheid, modelleren vaak alleen de lastvoorspelling in plaats van de opslagcapaciteit, en worstelen met de "cold-start" situatie (modelleren van nieuwe eenheden met weinig historische data).
3. Integratie met het net: Er is een gestandaardiseerd formaat nodig om de thermische dynamiek van AC-systemen direct vertaalbaar te maken naar het elektriciteitsnet.

2. Methodologie: VB-NET

De auteurs stellen VB-NET voor, een "gray-box" deep learning-framework dat de complexiteit van AC-thermodynamica omzet in een gestandaardiseerd Virtuele Batterij (VB) model. De aanpak combineert data-gedreven leermogelijkheden met strikte fysische beperkingen.

A. Theoretische Basis: Isomorfisme

Het artikel bewijst wiskundig dat het thermodynamische AC-model en het Virtuele Batterij-model isomorf (structureel gelijk) zijn onder specifieke parametercondities.

• Mapping: De indoor temperatuur $T(t)$ wordt gemapt naar de State of Charge (SOC) $S(t)$ van de virtuele batterij via een lineaire inverse mapping: $S(t) = (T_{max} - T(t)) / (T_{max} - T_{min})$.
• Parameters:
  • De virtuele capaciteit ($C_f$) is een tijdsinvariante grootheid, gerelateerd aan de thermische massa van het gebouw en het temperatuurbereik.
  • Het vermogensverlies ($P_{loss}(t)$) is een tijdsvariabele parameter die de passieve warmteverliezen (lekken) naar de omgeving weergeeft.

B. Architectuur van VB-NET

Het model bestaat uit drie fasen:

1. Ontkoppelde Feature Encoding (Disentangled Feature Encoding):
   • Shared Encoder: Een gedeelde 1D-CNN extrahert meteorologische kenmerken (buitentemperatuur) die voor alle eenheden gelijk zijn.
   • Private Encoder: Een private MLP verwerkt de specifieke kenmerken van de AC-eenheid, inclusief statische ID-embeddings en statistische indicatoren (gemiddelde temperatuur, standaarddeviatie) als inductieve bias.
2. Fysisch-informeerde Parameteridentificatie:
   • Statische Capaciteit: Een dedicated "head" voorspelt $C_f$ op basis van de eenheids-ID en het temperatuurbereik.
   • Dynamisch Vermogensverlies: Een "Terminal Sensitivity Modulation" mechanisme (geïnspireerd op FiLM) moduleren een basisverliesgolfvorm met een leerbare gevoeligheidsfactor ($\gamma_k$) per eenheid. Dit zorgt voor aanpassing aan specifieke isolatie-eigenschappen.
3. Differentieerbare Fysische Evolutie Layer:
   • In plaats van de SOC direct te voorspellen, gebruikt het model een niet-trainbare laag die de dynamische vergelijking van de batterij oplost: $\dot{S}(t) = \frac{1}{C_f}[\eta P_{ac}(t) - P_{loss}(t)]$.
   • Dit garandeert dat de output strikt voldoet aan de wetten van behoud van energie.
   • De loss-functie bevat zowel de fout in de SOC-waarde als de fout in de afgeleide (snelheid van verandering) om de dynamiek correct te leren.

3. Belangrijkste Bijdragen

1. Transformatie naar Virtuele Batterij: Een methode om AC-modellen om te zetten in VB-modellen, wat de energieopslag en dynamische eigenschappen volledig karakteriseert voor directe netregeling.
2. Data-gedreven Parameteridentificatie: Het elimineren van de afhankelijkheid van moeilijk te meten fysische parameters door deze te identificeren via deep learning.
3. VB-NET Architectuur: Een speciaal ontworpen model met drie unieke voordelen:
   • Vermogen tot cold-start voor nieuwe eenheden met beperkte data (2-6% van de dataset) door het ontkoppelen van gedeelde en private features.
   • Splitsing van statische en dynamische parameters voor fysieke consistentie.
   • Integratie van een differentieerbare fysische laag die de voorspellingen dwingt om binnen de wetten van de thermodynamica te blijven.

4. Resultaten

De methode is getest op gesimuleerde AC-systemen met realistische meteorologische data uit Shenzhen (China).

• Nauwkeurigheid: VB-NET presteert significant beter dan conventionele black-box modellen (MLP, CNN, LSTM) in het volgen van de SOC-curve. De voorspellingen overlappen bijna perfect met de grondwaarheid (ground truth).
• Fysische Interpretatie: Het model slaagt erin om onderliggende thermodynamische wetten te herstellen.
  • De geïdentificeerde $P_{loss}$ toont een lineair verband met het temperatuurverschil, met hellingen die omgekeerd evenredig zijn met de thermische weerstand ($R$) van de eenheid.
  • De geïdentificeerde $C_f$ is consistent met de grootte van het temperatuurbereik (deadband).
  • De leerbare gevoeligheidsfactoren ($\gamma$) correleren perfect met de thermische weerstand: een lagere weerstand resulteert in een hogere gevoeligheid.
• Cold-Start Prestaties:
  • In een Single-Task Learning (STL) scenario faalt het model bij weinig data (hoge RMSE).
  • Met Multi-Task Learning (MTL) bereikt VB-NET hoge precisie met slechts 2% tot 6% van de historische data van een nieuwe eenheid. Het model transferreert algemene meteorologische patronen van bestaande eenheden naar de nieuwe eenheid via de gedeelde encoder en de gevoeligheidsmodulatie.

5. Betekenis en Conclusie

VB-NET biedt een schaalbare en data-efficiënte oplossing voor het aggregeren van gedecentraliseerde AC-bronnen voor netregeling.

• Interpreteerbaarheid: Het overbrugt de kloof tussen pure data-gedreven modellen en fysieke modellen, waardoor de output betrouwbaar is voor engineering-toepassingen.
• Praktische Toepasbaarheid: Het lost het probleem van "cold-start" op, wat essentieel is voor de snelle implementatie van virtuele krachtcentrales in nieuwe gebouwen zonder jarenlange dataverzameling.
• Netintegratie: Door AC-systemen te standaardiseren als virtuele batterijen met bekende parameters, wordt directe deelname aan vraagsturing (demand-side management) mogelijk gemaakt.

Samenvattend bewijst dit onderzoek dat het combineren van fysische wetten met deep learning (gray-box modeling) de meest effectieve route is om de flexibiliteit van gebouwen te benutten voor een duurzame energietransitie.