結合基於物理和數據驅動的建模方法，以提升建築能源系統的效率

核心概念

結合物理和數據驅動模型的混合方法在建築能源建模中展現出巨大潛力，特別是在詳細建築文檔和豐富傳感器數據可用的情況下，能夠提高預測準確性並提供對建築性能的更深入了解。

摘要

論文資訊

Leandro Von Krannichfeldt, Kristina Orehounig, and Olga Fink. (2024). Combining Physics-based and Data-driven Modeling for Building Energy Systems. Preprint submitted to Journal. arXiv:2411.01055v1 [eess.SY]
研究目標
本研究旨在評估四種主要的混合建築能源建模方法，並探討其在不同建築文檔和傳感器數據可用性情況下的性能表現。
研究方法

研究人員採用了基於物理的 EnergyPlus 模型和數據驅動模型（線性迴歸、前饋神經網絡和隨機森林）的組合，構建了四種混合模型：輔助模型、殘差模型、代理模型和增強模型。
研究人員根據建築文檔和傳感器數據的可用性，設計了三種不同的情境：僅有天氣數據（W）、天氣和建築數據（WB）以及天氣、建築和房間數據（WBR）。
研究人員使用平均絕對百分比誤差（MAPE）評估模型的預測準確性，並使用分層 Shapley 值分析模型的可解釋性。
主要發現

在所有方法中，隨著文檔和傳感器數據級別從 W 情境增加到 WBR 情境，平均 MAPE 降低，表明更豐富的數據有助於提高預測準確性。
在所有情境中，混合模型的性能與純數據驅動模型相當，但在 WBR 情境中，殘差模型（使用前饋神經網絡作為數據驅動子模型）表現最佳。
殘差模型在捕捉異常溫度波動（例如長時間開窗）方面最為有效，這得益於其結合了基於物理模型的穩健性和數據驅動校正的靈活性。
分層 Shapley 值分析揭示了不同輸入特徵對模型預測的影響，並發現基於物理的模型在高溫條件下存在偏差。
主要結論

混合建模方法，特別是殘差模型，在建築能源預測方面具有顯著優勢，尤其是在擁有詳細建築信息和豐富傳感器數據的情況下。
分層 Shapley 值為理解混合模型的行為和識別基於物理模型中的潛在偏差提供了有價值的見解。
研究意義
本研究通過比較不同混合建模方法的性能，並探討其在不同數據可用性情境下的適用性，為建築能源建模領域提供了有價值的參考。
研究限制和未來方向

未來研究可以擴展到更大規模的建築數據集，並考慮更精細的建築文檔級別。
在評估有限訓練數據對模型性能的影響時，應考慮基於物理模型的校準問題。

統計資料

建築能源系統的運行約佔全球能源消耗的 30% 和二氧化碳排放量的 26%。
在 W 情境下，最佳模型的 MAPE 為 4.55%，而在 WBR 情境下，MAPE 降低至 3.67%。
在 WBR 情境下，殘差模型在所有房間類型的平均 MAPE 最低。
三月和四月的預測誤差最高，因為臥室和客廳長時間開窗導致溫度波動劇烈。
在 2021 年 11 月和 12 月，由於 UMAR 單元無人居住，溫度模式更加規律，因此 EnergyPlus 模型的性能與其他模型相當。

從以下內容提煉的關鍵洞見

Combining Physics-based and Data-driven Modeling for Building Energy Systems

by Leandro Von ... 於 arxiv.org 11-05-2024

https://arxiv.org/pdf/2411.01055.pdf

深入探究

除了預測建築溫度之外，混合建模方法還可以用於哪些其他建築能源應用？

除了預測建築溫度，混合建模方法還可以用於許多其他的建築能源應用，以下列舉幾項：

建築能源消耗預測： 混合模型可以整合天氣數據、建築特性、居住者行為以及 HVAC 系統運行數據，以更精確地預測建築物的能源消耗。這對於優化能源管理系統、制定節能策略以及預測能源需求高峰至關重要。
HVAC 系統優化控制： 混合模型可以預測建築物的熱力學行為，並根據預測結果優化 HVAC 系統的運行策略，例如預測控制和基於模型的控制。這可以最大程度地提高能源效率，同時保持舒適的室內環境。
建築設計優化： 在建築設計階段，混合模型可以用於評估不同設計方案的能源性能，例如建築朝向、窗戶大小、隔熱材料等。這可以幫助設計師在設計過程中做出更明智的決策，以實現最佳的能源效率。
故障檢測與診斷 (FDD)： 混合模型可以通過監測建築能源系統的運行數據，並將其與基於物理的模型預測結果進行比較，來檢測和診斷 HVAC 系統中的故障。這有助於及早發現問題，並採取必要的維修措施，從而避免能源浪費和系統故障。
需求響應和電網互動： 混合模型可以預測建築物的能源需求，並根據電網的供需情況調整建築物的能源使用模式。這有助於平衡電網負載，提高可再生能源的利用率，並降低建築物的能源成本。
總之，混合建模方法在建築能源領域具有廣泛的應用前景，可以幫助我們更好地理解、預測和優化建築物的能源性能。

如何解決基於物理的模型在高溫條件下存在的偏差？

解決基於物理的模型在高溫條件下存在的偏差，可以採取以下幾種策略：

校正模型參數： 在高溫條件下，建築材料的熱力學特性可能會發生變化，例如導熱係數、比熱容等。因此，需要根據實際測量數據，對模型中相關的材料參數進行校正，以提高模型在高溫條件下的準確性。
改進模型結構： 基於物理的模型通常會對建築物的熱力學過程進行簡化，例如忽略某些熱傳遞路徑或假設某些參數為常數。在高溫條件下，這些簡化可能會導致模型精度下降。因此，需要根據實際情況，對模型結構進行改進，例如增加新的熱傳遞路徑或使用更精確的模型來描述相關的物理過程。
結合數據驅動方法： 數據驅動方法可以捕捉到基於物理的模型無法描述的複雜關係。可以將數據驅動方法與基於物理的模型相結合，例如使用機器學習算法來學習模型在高溫條件下的偏差，並對模型預測結果進行修正。
增加高溫條件下的數據量： 模型在高溫條件下的偏差，可能是由於缺乏足夠的訓練數據造成的。可以通過增加高溫條件下的測量數據，例如在夏季進行更頻繁的數據採集，來提高模型在高溫條件下的準確性。
驗證模型的適用範圍： 每個模型都有一定的適用範圍，超過這個範圍，模型的精度可能會下降。在使用基於物理的模型進行高溫條件下的模擬之前，需要先驗證模型的適用範圍，如果超出了模型的適用範圍，則需要對模型進行修正或使用其他更合適的模型。
總之，解決基於物理的模型在高溫條件下存在的偏差，需要綜合考慮多種因素，並採取相應的措施來提高模型的準確性和可靠性。

在實際應用中，如何平衡混合模型的預測準確性和計算成本？

在實際應用中，平衡混合模型的預測準確性和計算成本是一個重要的議題。以下是一些可以採取的策略：

簡化模型複雜度：

選擇合適的物理模型： 對於某些應用，簡化的物理模型（例如 RC 模型）可能足以提供合理的精度，而不需要使用計算成本更高的詳細模型（例如 EnergyPlus）。
減少模型規模： 可以通過合併相似的熱區、簡化建築幾何形狀或使用降階模型來減少模型的規模，從而降低計算成本。
優化數據驅動模型： 選擇計算效率更高的數據驅動模型（例如線性回歸）或優化模型結構（例如減少神經網絡層數）可以降低計算成本。

優化數據處理和模擬流程：

數據降維： 使用主成分分析（PCA）等降維技術可以減少輸入數據的維度，從而降低計算成本。
並行計算： 利用多核處理器或雲計算平台進行並行計算可以顯著縮短模擬時間。
時間步長優化： 選擇較大的時間步長可以減少模擬步數，但需要權衡精度和計算成本。

根據應用需求選擇精度要求：

容忍一定誤差： 對於某些應用，例如長期能源消耗預測，可以容忍一定的預測誤差，從而可以使用計算成本更低的模型。
動態調整精度： 可以根據應用需求動態調整模型的精度，例如在需要快速響應時使用簡化模型，而在需要高精度預測時使用更複雜的模型。

利用預先計算的結果：

建立模型庫： 可以預先計算和存儲不同建築類型、天氣條件和運行策略下的模型預測結果，在實際應用中直接調用，從而節省計算時間。
使用代理模型： 可以使用計算成本較低的代理模型（例如神經網絡）來替代計算成本較高的物理模型，代理模型可以通過學習物理模型的輸入輸出關係來快速提供預測結果。
總之，平衡混合模型的預測準確性和計算成本需要綜合考慮多種因素，並根據具體的應用需求選擇合適的策略。