姜子信/董冰Patterns：未来建筑能耗模型——融合物理先验的模块化深度神经网络 | Cell Press论文速递

交叉学科

Interdisciplinary

建筑业占全球能源消耗和碳排放的30%以上，如何实现建筑业的低碳、绿色和可持续发展，成为了当今世界面临的重大挑战。建筑能耗模型，作为了解建筑能源行为、优化能源使用以及推进建筑节能改造的核心，在建筑设计评估、室内环境分析、运维诊断与优化、翻新改造和城市规划中发挥着关键作用。然而，传统的物理模型需要详细的建筑数据，繁琐的建模工作以及反复的模型校准；数据驱动模型又缺乏物理约束，难以保证可靠性与泛化性，进而限制了建筑能耗模型的普及与应用。

为解决上述问题，近日，雪城大学博士研究生姜子信和董冰教授在Cell Press细胞出版社旗下Patterns期刊发表了题为“Modularized neural network incorporating physical priors for future building energy modeling”的文章。该文章首次提出了一种融合物理先验的模块化深度神经网络模型（ModNN）。该模型通过将物理先验融入数据驱动模型，保证了模型的正确响应，极大地提高了模型的泛化能力。通过不同模块接口的调用、组装，该模型可以用于能耗预测，温湿度模拟，建筑节能改造和优化控制。该方法为未来多尺度、多维度、多部件的建筑能耗模型提供了新思路。

▲长按图片识别二维码阅读原文

研究亮点

1. 开发了一种融合物理先验的模块化深度神经网络；

2. 该模型的优势在于其物理结构、约束条件和模块化设计；

3. 该模型可用于能耗预测，温湿度模拟，建筑节能改造和优化控制；

4. 该模型展示了卓越的准确性、可扩展性、便捷性和物理一致性。

研究介绍

该模型的主要创新点可以归纳为以下三点：

1. 受建筑动态热平衡方程启发，作者开发了不同的神经网络模块来估算建筑系统中不同的传热项，使得模型中的每个模块都具有物理意义。而且可以根据不同的预测任务，进行特征的选择和模块连接，在此基础上，作者还开发了不同尺度的神经网络模块，诸如利用图神经网络实现从单区域模型到多区域模型的连接，利用基于空调系统的神经网络模型实现从负荷预测到能耗预测的转变，极大地提高了模型的可解释性和可拓展性。

2. 受状态空间法的启发，作者采用了编码器-解码器自回归模型结构。其中，编码器用于提取历史信息，当前单元用于更新当下时间步的测量值，这两个模块为解码器提供更准确的系统初始状态。解码器用于根据未来控制变量和外扰来预测系统响应，从而可以直接用于模型优化控制。

3. 受传热定律的启发，作者通过限制模型输出对其输入的偏导数引入了物理一致性约束，以确保模型对给定输入的响应符合基础的物理学定律，极大地提高了模型的泛化能力和可靠性。

图1：ModNN结构示意图。

作者从能耗预测，温湿度模拟，建筑节能改造和优化控制四个方面对模型进行了验证，具体表现如下：

1. 能耗预测。准确率方面，ModNN在空调负荷预测、能耗模拟、全楼负荷预测上均与基线保持一致；在泛化性方面，ModNN在不同的温度设定点，气候区及未来的天气条件下可以将预测误差控制在0.5 kW之内；在可扩展性方面，ModNN通过图神经网络连接五个单区建筑模块，实现了建筑整体的负荷预测。这种模块化的方法为多尺度、多组件建筑建模提供了参考。

图2：ModNN在建筑能耗计算任务中的表现。

2. 温湿度模拟。ModNN能准确预测未来15分钟到24小时的室内温湿度变化（平均绝对误差在0.5 °C以内），且能正确反映其对空调负荷、室外天气的响应。为以控制为导向的数据驱动模型提供了新方法。作者还展示了ModNN的长期预测能力，它可以准确模拟未来七天的室内温度，而且在突发停电无空调制冷的情况下也表现良好，为评估长期停电事件下建筑物的室内环境提供了帮助。

图3：ModNN在建筑室内环境动态预测任务中的表现。

3. 建筑节能改造。得益于模块化的结构，ModNN是首个可以利用建筑运行数据进行建筑翻新改造后能耗预测的模型。通过将物理一致性约束纳入模型参数，并进行模型预训练和模型冻结，仅根据建筑翻新改造措施调整嵌入层的权重，ModNN可以正确反映建筑墙体、窗户翻新改造后的建筑能耗变化。为未来使用建筑运行数据进行建筑改造分析提供了解决方案。

图4：ModNN在建筑翻新改造预测任务中的表现。

4. 优化控制。作者验证了ModNN用于优化控制的可行性，以维持热舒适度，同时根据分时电价最小化能源成本为优化目标，ModNN减少了43.3%的能量消耗。通过错峰预冷，在电价高峰时段可以实现显著的（55.3%–95.1%）负荷转移，这一方法为大规模建筑-电网需求响应提供了帮助。

图5：ModNN在建筑优化控制任务中的表现。

表1：不同建筑能耗模型的比较。

最后，作者从建模工作量、数据需求量、计算效率、模型复杂性、物理一致性和可扩展性对ModNN和三种传统的建筑能耗模型进行了讨论，分析比较了他们在能耗预测、温湿度模拟、建筑节能改造和优化控制优缺点。并总结归纳了包括建筑能源系统优化控制、建筑-电网用电规划-需求响应、建筑翻新改造、数字孪生建筑和建筑政策标准等五大应用场景，为未来多尺度、多维度、多部件的建筑能耗模型开辟了新的道路。

作者简介

董冰

教授

董冰，雪城大学机械与航空航天工程系正教授，雪城大学环境与能源系统卓越中心的副主任。董冰教授的研究和教学涵盖智能建筑和智慧城市的众多领域，包括基于数据驱动的建筑能源建模与控制、建筑和城市尺度的人员行为建模、能源政策、量子计算和建筑-电网的协同优化。他的研究在谷歌学术上获得了超过10,000次引用，并发表了120多篇论文。他曾获得2019年美国国家科学基金会NSF CAREER奖，并于2023年被评为国际建筑性能模拟协会（IBPSA）会士。

姜子信

博士研究生

姜子信，雪城大学机械与航空航天工程系博士研究生。其主要研究方向包括建筑能源建模，时间序列预测，建筑能源优化控制，人员行为和建筑-电网的协同优化。

相关论文信息

相关社论发表在CellPress细胞出版社旗下期刊Patterns上，点击“阅读原文”或扫描下方二维码查看论文

▌论文标题：

Modularized neural network incorporating physical priors for future building energy modeling

▌论文网址：

https://www.sciencedirect.com/science/article/pii/S2666389924001624

▌DOI：

https://doi.org/10.1016/j.patter.2024.101029

▲长按图片识别二维码阅读原文

Cell Press Multi-Journal Submission（点击查看）的前身Cell Press Community Review模式于2021年推出。对于通过Cell Press Multi-Journal Submission“多刊审稿”模式投稿的作者，我们将提供稿件被多本期刊同时考虑的机会。超过80%通过Cell Press Multi-Journal Submission“多刊审稿”模式投稿的文章获得了至少一个或多个期刊的评审。

CellPress细胞出版社

推荐阅读

▲长按识别二维码关注细胞科学