打开黑箱:利用建筑物理洞察构建本质可解释的能耗数据插补模型
机器学习
2024-05-07 v2 机器学习
摘要
缺失数据在建筑能耗建模领域的研究人员与从业者中频繁出现。在这方面,通常需要深度学习等先进数据驱动方案来反映这些异常的非线性行为。作为深度学习的一个持续研究问题,可通过在网络中引入先验知识来探索模型在有限数据场景下的适用性。同一策略也可带来更具可解释性的预测,从而促进该方法在现场的应用。为此,本文旨在提出使用物理信息去噪自编码器(PI-DAE)对商业建筑中的缺失数据进行插补。具体而言,所提方法将受物理启发的软约束施加于去噪自编码器(DAE)的损失函数。为量化物理组件的益处,我们对不同 DAE 配置进行了消融研究。首先,分别在室内空气温度、供暖与制冷数据上优化三个单变量 DAE。然后,由前述配置导出两个多变量 DAE。最终,将建筑热平衡方程耦合至最后一个多变量配置以得到 PI-DAE。此外,采用了两种常用基准来支持所得结论。研究表明,在多变量去噪自编码器中引入物理知识可通过优化的基于物理的系数增强模型固有的可解释性。尽管所提 PI-DAE 在重构误差方面未观察到显著改善,但其对 varying 缺失数据率的增强鲁棒性以及从基于物理的系数中获得的宝贵洞察,为在建筑系统及建成环境中的更广泛应用创造了机会。
引用
@article{arxiv.2311.16632,
title = {Opening the Black Box: Towards inherently interpretable energy data imputation models using building physics insight},
author = {Antonio Liguori and Matias Quintana and Chun Fu and Clayton Miller and Jérôme Frisch and Christoph van Treeck},
journal= {arXiv preprint arXiv:2311.16632},
year = {2024}
}
备注
Accepted for publication in Energy and Buildings