物理约束下的多区域建筑热动力学深度学习

Nov, 2020

Physics-constrained Deep Learning of Multi-zone Building Thermal Dynamics

Jan Drgona, Aaron R. Tuor, Vikas Chandan, Draguna L. Vrabie

TL;DR本文提出了一种基于物理约束的控制导向的深度学习方法来建模建筑热动力学，并通过仅使用 10 天的训练数据，在 20 天内展示了高度推广的能力，实现了在实际办公楼上的显著改进。

Abstract

We present a physics-constrained control-oriented deep learning method for modeling building thermal dynamics. The proposed method is base

发现论文，激发创造

基于深层学习模型和物理方程，本文介绍了一种针对住宅建筑热损失的新型神经网络模型，结合建筑信息和能源消耗数据进行能源性能预测，取得了良好的预测准确性，为基于基本建筑特性的自动化、数据驱动能效预测铺平了道路。

Nov, 2023

利用物理学基础知识作为先验知识，通过将物理学基础知识注入到神经网络结构中，从轨迹数据中学习动力学模型，并在模型的训练过程中通过增广拉格朗日法强制实施物理学知识约束，实验证明该做法比不包括先验知识的基线方法在相同的训练数据集上能够将系统动力学预测准确率提升两个数量级。

Sep, 2021

本文提出了一种基于物理约束的深度学习模型，通过自动回归密集编码器 - 解码器卷积神经网络建模非线性动力学系统，实现对时间步骤的预测量进行不确定性量化，并利用其在多个非线性瞬态偏微分方程系统上进行测试。

Jun, 2019

通过使用 ADMM 和深度学习模型进行分布式优化，本研究通过采用两层分层结构的方法，将建筑物的总功率限制为对应的各个区域的局部功率目标，从而有效地规划室内温度设定点，并成功管理需求响应的高峰事件。

Dec, 2023

提出一种基于物理约束深度学习的建模和不确定性量化方法，避免深度学习在小样本问题上的跨度不足，可以用于偏微分方程系统的解决和预测推断，并提供一些解释和量化手段。

Jan, 2019

本研究提出一种监督深度学习适应性分区方法，用于建模可压介质中 1D 激波的传播，它能够准确地捕捉域内的激波，生成适应性非均匀网格，可在降低计算时间的同时保证计算时空间离散化的准确性。

Dec, 2022

该研究提出了一种基于深度强化学习和迁移学习的建筑暖通空调系统控制方法，通过将神经网络控制器拆分为一个可以迁移的前端网络和一个针对每个特定建筑物的可高效训练的后端网络，显著减少训练时间、节约能源成本和改善温度控制精度。

Aug, 2020

建立建筑 HVAC 系统的深度学习模型对建筑物的能耗消耗进行有效控制，采用基于模型和基于概率的控制方法来实现系统的优化和能耗降低，同时确保系统的安全和效率。

Oct, 2019

本文介绍了一种基于物理知识的深度学习框架，其利用少量数据对非线性结构系统进行元建模，并成功演示了其对复杂结构的精确预测性能。

Feb, 2020

利用工业 4.0 技术和数字孪生平台，该研究提出了一种建筑热力动力学的灰盒模拟架构，整合实时物联网数据和建筑的 3D 表示，促进了建筑热力动力学的智能决策制定和优化。

Feb, 2024