融合先验知识随时间估计建筑参数

建筑热动力学建模是一个复杂的过程，依赖于多种因素，包括天气、建筑热容量、保温状况以及居民行为。灰盒模型以针对建筑环境特有的少量参数表达了这些动力学的因果推断。这些参数能够揭示建筑构件的特征，并具有多种应用，例如暖通空调（HVAC）使用预测、建筑室内温度控制监测等。本文中，我们提出了一项关于建筑热特性建模的系统性研究，并由此以贝叶斯方法推导建筑条件的参数。我们构建了一个能够自适应并融入建筑热方程的贝叶斯状态空间模型，并提出了一种可轻松适配关于参数的先验知识的通用解。我们表明，使用变分推断进行参数估计的更快近似方法能够提供与更耗时的马尔可夫链蒙特卡洛（MCMC）方法相似的参数。我们在两个数据集上进行了广泛评估以理解生成过程，并表明贝叶斯方法更具可解释性。我们进一步研究了模型参数的先验选择效应与迁移学习，即从某一季节学习参数并将其用于拟合另一季节的模型。我们在受控与真实数据轨迹上进行了广泛评估，以在95%可信区间内枚举建筑参数。