基于物理引导的记忆网络用于建筑能源建模

准确的能源消耗预测对于高效资源管理和可持续发展至关重要。深度学习模型取得了显著成功，但在历史数据有限或不可用时（如新建建筑）将变得不可用。相比之下，基于物理的模型（如EnergyPlus）无需依赖历史数据即可模拟能源消耗，但需要大量建筑参数规范且建模耗时。本文引入物理引导记忆网络（Physics-Guided Memory Network, PgMN），一种集成深度学习和物理模型预测的神经网络，以解决两者的局限性。PgMN包含用于处理不完整输入的平行投影层、用于考虑持续偏差的记忆单元，以及用于在输入范围之外最优延伸预测并产生输出的记忆经验模块。理论评估表明，PgMN的各组件在执行各自任务方面都是数学上有效的。对PgMN在小时级别的短期能源预测进行了评估，这对于智能电网和智能建筑系统的运营决策至关重要。实验验证表明，PgMN在各种场景下（如新建建筑、缺失数据、稀疏历史数据和动态基础设施变更）都表现出良好的准确性和适用性。本文为在历史数据有限或不可用、或物理模型不足的动态建筑环境中进行能源消耗预测提供了有前景的解决方案，显著提升了模型的适用性。