建筑能源系统中基于物理与数据驱动建模的结合

建筑能源建模在通过准确预测建筑真实运行条件来优化建筑能源系统运行方面发挥着关键作用。在这一背景下，已经探索了多种技术，从传统的基于物理的模型到数据驱动模型。近期，研究人员正在将基于物理的模型与数据驱动模型结合为混合方法。这包括将基于物理的模型输出作为额外的数据驱动输入、学习基于物理模型与真实数据之间的残差、学习基于物理模型的代理模型，或利用真实数据微调代理模型。然而，对这些混合方法固有优势的全面比较仍然缺失。本工作的主要目标是通过一个真实案例研究评估建筑能源建模中的四种主要混合方法，重点关注室内热力学。为此，我们设计了三种反映常见建筑文档和传感器可用性水平的场景，评估其性能，并使用分层 Shapley 值分析其可解释性。真实研究揭示了三个显著发现。第一，更大的建筑文档和传感器可用性带来更高的混合方法预测准确率。第二，混合方法的性能取决于建筑房间类型，但使用前馈神经网络作为数据驱动子模型的残差方法在所有房间中平均表现最佳。该混合方法还展示了利用基于物理子模型仿真的优越能力。第三，分层 Shapley 值被证明是在考虑输入相关性的同时解释和改进混合模型的有效工具。