本文提出了一种基于领域知识的深度学习方法来解决冷水机组能耗优化问题。与深度学习的热点应用(如图像分类、自然语言处理等)相比,在真实物理系统中收集大量数据用于深度网络训练是一件困难的事情。现有方法大多将复杂系统简化为线性模型,以方便小样本训练。针对小样本问题,在深度网络的结构和损失设计中考虑领域知识,构建具有较低冗余函数空间的非线性模型。具体地说,大多数冷水机组的能耗估计在物理上可以看作是一个输入输出单调的问题。因此,我们可以设计一个具有单调约束的神经网络来模仿系统的物理行为。在某数据中心的冷却系统中进行了验证,实验结果表明,与现有方法相比,该方法在能耗优化方面具有优势。

Ma, Fanhe, et al. "Monotonic neural network: combining deep learning with domain knowledge for chiller plants energy optimization." arXiv preprint arXiv:2106.06143 (2021).