用于建筑热建模的物理一致神经网络：理论与分析

由于其高能源强度，建筑在当前全球能源转型中扮演重要角色。建筑模型无处不在，因为在建筑生命周期的每个阶段——设计、改造和控制运行——都需要它们。基于物理方程的经典白盒模型必然遵循物理定律，但其底层结构的特定设计可能限制其表达能力，从而影响精度。另一方面，黑盒模型更适于捕捉建筑的非线性动态，因此常能获得更好精度，但它们需要大量数据且可能不遵循物理定律，这对于神经网络（NN）模型尤为常见。为应对这一已知的泛化问题，物理信息神经网络近来被提出，研究者在其中将先验知识引入神经网络结构以使其立足于已知底层物理定律，避免经典神经网络的泛化问题。在本工作中，我们提出一种新颖的物理信息神经网络架构，称为物理一致神经网络（PCNN），它仅需过往运行数据而无工程开销，将先验知识置于与经典神经网络并行运行的线性模块中。我们形式化证明此类网络在设计与即便未见过的数据上，关于不同控制输入及建筑外部与相邻区域温度均具有物理一致性。我们在一个案例研究中展示其性能：在 3 天预测周期上，PCNN 的精度比经典基于物理的电阻-电容模型高出至多 40%。此外，尽管结构受限，PCNN 在验证数据上取得与经典神经网络相近的性能，对训练数据过拟合更少，并保持高表达能力以应对泛化问题。