用于建筑能源系统建模与预测的基于物理的域适应框架
机器学习
2023-05-03 v2 机器学习
摘要
最先进的基于机器学习的模型是建筑和预测建筑中能量行为的热门选择，因为给定足够数据，它们善于发现时空模式与结构，即便在复杂性阻碍解析描述的场景中亦如此。然而，其架构通常不与关联支配物理现象的机理结构具有物理对应。结果，其成功泛化至未观测时间步的能力取决于数据中观测系统底层动力学的代表性，而在数字孪生中的控制与能源管理等现实工程问题中难以保证。对此，我们提出一种框架，将集总参数模型形式的线性时不变（LTI）状态空间模型（SSM）与无监督降阶建模结合于基于子空间的域适应（SDA）框架中。SDA 是一种迁移学习（TL）技术，通常用于利用一域的标注数据预测标注数据有限的不同的但相关的目标域。我们引入一种新颖 SDA 方法：不再使用标注数据，而是利用由著名传热常微分方程支配的 LTI SSM 的几何结构，预测超出观测测量数据的未观测时间步。根本上，我们的方法在几何上将物理推导与数据推导的嵌入子空间对齐得更近。在此初步探索中，我们通过改变源系统与目标系统的热物理属性，在示范性热传导场景上评估基于物理的 SDA 框架，以证明机理模型从基于物理的域到数据域的可迁移性。
引用
@article{arxiv.2208.09456,
title = {A physics-based domain adaptation framework for modelling and forecasting building energy systems},
author = {Zack Xuereb Conti and Ruchi Choudhary and Luca Magri},
journal= {arXiv preprint arXiv:2208.09456},
year = {2023}
}