PINN-DT：基于混合物理信息神经网络与区块链安全的数字孪生框架优化智能建筑能耗
机器学习
2025-05-20 v2 人工智能
摘要
智能电网技术的发展 necessitates 将前沿计算方法集成以增强预测能源优化。本研究提出了多层次方法，融合 (1) 基于数字孪生（DTs）训练的深度强化学习（DRL）智能体，实时优化智能建筑能耗；(2) 物理信息神经网络（PINNs）将物理规律嵌入优化过程，确保模型准确性和可解释性；(3) 区块链（BC）技术实现智能电网基础设施的安全透明通信。该模型使用包括智能表计能耗数据、可再生能源产出、动态定价及用户偏好等综合数据进行训练和验证。该框架在预测性能上取得优异成绩，平均绝对误差（MAE）为 0.237 kWh，均方根误差（RMSE）为 0.298 kWh，R 平方（R2）值为 0.978，说明数据方差解释率达 97.8%。分类指标进一步表明该模型具有稳健性，准确率、精确率、召回率和 F1 分数分别为 97.7%、97.8%、97.6% 和 97.7%。与传统模型（如线性回归、随机森林、SVM、LSTM 和 XGBoost）的比较分析显示，所提方法在准确性和实时适应性方面具有优势。除了提升能源效率，该模型将能源成本降低 35%，保持 96% 的用户舒适指数，并将可再生能源利用率提升至 40%。本研究表明，将 PINNs、DT 与区块链技术集成用于智能电网能耗优化具有变革性潜力，为可持续、安全、高效的能源管理系统铺平了道路。
引用
@article{arxiv.2503.00331,
title = {PINN-DT: Optimizing Energy Consumption in Smart Building Using Hybrid Physics-Informed Neural Networks and Digital Twin Framework with Blockchain Security},
author = {Hajar Kazemi Naeini and Roya Shomali and Abolhassan Pishahang and Hamidreza Hasanzadeh and Mahdieh Mohammadi and Saeed Asadi and Abbas Varmaghani and Ahmad Gholizadeh Lonbar},
journal= {arXiv preprint arXiv:2503.00331},
year = {2025}
}