融合基于物理与数据驱动方法的概率性建筑能耗建模

建筑能耗建模是优化建筑能源系统性能的关键工具。历史上，人们探索了广泛的方法——从传统的基于物理模型到纯粹的数据驱动技术。近年来，结合两种范式优势的混合方法引起了关注。这些方法包括：为基于物理模型学习代理、对模拟与观测数据之间的残差建模、用真实世界测量数据微调代理、将基于物理的输出作为数据驱动模型的额外输入，以及将基于物理的输出集成到数据驱动模型的损失函数中。尽管取得了这些进展，但仍存在两个重要的研究空白。首先，大多数混合方法侧重于确定性建模，常常忽略由天气波动和居住者行为等因素引起的内在不确定性。其次，在概率性建模框架内缺乏系统的比较。本研究通过评估五种代表性的混合方法来解决这些空白，这些方法用于概率性建筑能耗建模，重点是在一个真实世界案例研究中对建筑热力学的分位数预测。我们的结果突出了两个主要发现。首先，混合方法的性能在不同建筑房间类型中有所差异，但使用前馈神经网络的残差学习平均表现最佳。值得注意的是，当应用于分布外测试数据时，残差方法是唯一产生物理直观预测的模型。其次，分位数保形预测是在室内温度建模情况下校准分位数预测的有效程序。