面向住宅建筑的通用迁移学习模型GenTL

迁移学习（TL）是建筑热力学建模中的一种新兴领域。该方法通过利用来自源建筑的知识，减少针对目标建筑所需的数据，从而实现数据驱动模型的创建。这使得能够用于高级控制和故障检测与诊断的数据高效模型成为可能。TL方法的一个主要限制是其在不同来源之间的性能不一致。虽然准确的源建筑选择对于目标建筑至关重要，但这仍然是一个持续的挑战。我们提出了GenTL——一种针对中欧单户住宅的通用迁移学习模型。GenTL可以高效地微调到多种目标建筑。它基于来自450座不同建筑的数据训练了一个长短期记忆（LSTM）网络。该通用预训练模型通过作为通用来源进行微调，消除了对源建筑选择的需求。与传统单源到单目标TL进行的比较分析表明，通用预训练方法的有效性和可靠性。对144座目标建筑进行微调测试显示，其平均预测误差（RMSE）相较于微调单源模型降低了42.1%。