用于智能建筑室内气候建模的基于边缘的参数化数字孪生

建筑环境中的数字化转型产生了海量数据，可用于开发数据驱动模型以优化建筑运营。本研究提出了一种集成解决方案，利用边缘计算、数字孪生和深度学习来增强对建筑气候的理解。使用本体论创建的参数化数字孪生，确保了由不同建筑配备的各种服务系统之间数据表示的一致性。基于创建的数字孪生和收集的数据，采用深度学习方法开发预测模型，以识别室内气候模式并提供洞察。参数化数字孪生和深度学习模型均部署在边缘端，以实现低延迟和隐私合规。作为演示，我们在瑞典"Osterg"otland 的一座历史建筑中进行了案例研究，比较了五种深度学习架构的性能。结果表明，时间序列密集编码器模型在执行室内温度和相对湿度的多范围预测方面表现出强大的竞争力，且计算成本较低。