面向住宅建筑的基础热力模型
机器学习
2026-05-05 v1 系统与控制
系统与控制
摘要
建筑能源社区缺乏基础热力模型，即一种能够在无需建筑特定校准的情况下，泛化到多样化建筑、气候和控制策略的预训练模型。实现此愿景需要捕获普遍热力动力学的架构原则，而非记忆建筑特定模式。我们通过 presenting a physics-informed transformer architecture that embeds domain knowledge, e.g., derivative enrichment and Euler-based numerical integration, into a decoder-only framework。我们采用从仿真模型中提取的建筑静态特征，并使用Rotary Position Embedding注意力机制捕获时序依赖性。我们在覆盖247幢跨越三个气候区的CityLearn数据集上进行评估，模型实现了一步预测精度（德州RMSE为0.30°C，佛蒙特州为0.29°C），并优于传统基线和微调的时间序列基础模型。我们还展示了零样本迁移能力：在仅两幢建筑上训练的模型可在无需微调的情况下泛化到未见建筑和气候区。尽管受限于仿真住宅建筑，本研究确立了基于物理的架构原则作为通用建筑热力模型的前景方向。
引用
@article{arxiv.2605.01364,
title = {Toward a foundational thermal model for residential buildings},
author = {Ting-Yu Dai and Kingsley Nweye and Dev Niyogi and Zoltan Nagy},
journal= {arXiv preprint arXiv:2605.01364},
year = {2026}
}