融合物理先验的模块化深度神经网络：优势、应用与创新点

研究亮点

开发了一种融合物理先验的模块化深度神经网络；

该模型的优势在于其物理结构、约束条件和模块化设计；

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；

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：

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。

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。

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 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

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

▌论文标题：

for

▌论文网址：

▌DOI：

的前身Cell Press 模式于2021年推出。对于通过Cell Press Multi- “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- “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。

细胞出版社