基于物理信息神经网络的数据驱动建筑能效预测
机器学习
2024-06-24 v2 人工智能
计算工程、金融与科学
摘要
基于住宅建筑各围护部件热损失对其建筑能源性能进行解析预测是一项具有挑战性的任务。值得注意的是，该领域仍处于起步阶段，迄今为止在这一特定领域的研究相对有限，尤其是在数据驱动方法方面。本文中，我们引入了一种新颖的物理信息神经网络模型来解决此问题。通过使用包含通用建筑信息、审计特征和供暖能耗的未公开数据集，我们以通用建筑信息输入深度学习模型，而模型输出由结构部件和若干热工属性组成，这些实际上是能源性能证书（EPC）的基本要素。在该神经网络之上，一个基于物理方程的函数根据热损失计算建筑能耗，并增强深度学习模型的损失函数。该方法在拉脱维亚里加256栋建筑的实际案例研究中进行了测试。我们的研究在预测精度方面给出了有前景的结果，为基于建筑基本属性的自动化、数据驱动能效性能预测铺平了道路，而非目前现状下由人工进行的详尽能效审计。
引用
@article{arxiv.2311.08035,
title = {Data-driven building energy efficiency prediction using physics-informed neural networks},
author = {Vasilis Michalakopoulos and Sotiris Pelekis and Giorgos Kormpakis and Vagelis Karakolis and Spiros Mouzakitis and Dimitris Askounis},
journal= {arXiv preprint arXiv:2311.08035},
year = {2024}
}
备注
8 pages, 1 figure