面向可扩展物理一致神经网络：在数据驱动的多区域建筑热模型中的应用

随着收集的数据越来越多，数据驱动建模方法近年来日益流行。经典灰盒模型虽然物理上合理，但往往难以辨识和扩展，且其准确性可能受限于有限表达能力。另一方面，经典黑盒方法（如今通常依赖神经网络（NNs））往往通过从数据中推导统计模式取得令人印象深刻的性能，即便在大规模下也是如此。然而，它们完全忽视底层物理定律，若基于它们对真实物理系统做出决策，可能导致灾难性故障。物理一致神经网络（PCNNs）近年被开发以解决上述这些问题，在确保物理一致性的同时仍利用 NNs 达到最先进的精度。在本工作中，我们将 PCNNs 扩展到建筑温度动力学建模，并与经典灰盒和黑盒方法进行详尽比较。更确切地说，我们设计了三种不同的 PCNN 扩展，从而例证该架构的模块化和灵活性，并形式化证明它们的物理一致性。在所呈现的案例研究中，PCNNs 显示出最先进的精度，尽管结构受限仍优于经典基于 NN 的模型。我们的研究还清晰说明了 NNs 在完全无视物理的情况下取得看似良好性能，这在实际中可能产生误导。虽然该性能以计算复杂度为代价，但 PCNNs 相较于所有其他物理一致方法展现出 17-35% 的精度提升，为具有最先进性能的可扩展物理一致模型铺平了道路。