一种用于将数据驱动的热感知模型与建筑能源控制相结合的协同仿真方法论

《ENERGY AND BUILDINGS》：A Co-Simulation Methodology for Integrating Data-Driven Thermal Sensation Models with Building Energy Control

建筑热力学模型的迁移学习和持续学习策略研究。针对仅有有限数据时建模的难题，提出季节性记忆学习（SML）方法，通过整合新数据与上一季节相同时段数据提升预测精度。在有无概念漂移（季节变化、建筑改造、入住率调整）的仿真测试中，SML较初始调优模型（IFT）分别提升42.5%和48.3%，且计算复杂度保持O(1)。

　　
该研究针对建筑热力学模型在长期运营中的自适应学习问题展开系统性探索，提出 Seasonal Memory Learning（SML）方法并验证其有效性。以下为研究核心内容的结构化解读：

一、研究背景与问题提出
建筑能耗占全球温室气体排放的1/3，先进控制系统能降低10-50%能耗。然而现有数据驱动模型存在两大瓶颈：
1. 初始建模需数月到数年数据，难以满足实时控制需求
2. 建筑动态随季节变化、结构改造、入住率调整产生概念漂移
传统模型无法持续适应这些变化，而现有自适应方法（CL和TL）存在数据利用效率低、灾难性遗忘等问题。

二、方法论创新
研究构建了包含450个预训练建筑模型（GTL）的基准体系，通过BuilDa仿真框架生成8个目标建筑的5年数据集，涵盖：
- 季节性特征漂移（冬夏差异）
- 概念漂移（0.11W/m2K的保温改造、入住率变化）
- 40个建筑的跨场景验证

核心创新点在于：
1. 提出SML方法：融合当前数据与去年同期的季节数据（O(1)内存复杂度）
2. 开发事件驱动学习框架（eALG）：在建筑改造事件后触发模型更新
3. 建立多维度评估体系（MAE、RMSE、MASE、R2、RRI）

三、实验设计与评估指标
采用双阶段实验验证：
1. 基准实验（无概念漂移）：比较不同更新周期（1/2/3个月）下的持续性能
2. 概念漂移实验：模拟建筑改造（U值降至0.11）和入住率变化（从2人增至3人）

评估指标包括：
- MAE（平均绝对误差）：冬季典型值0.098°C，夏季0.12°C
- MASE（均方根标度误差）：多数场景<1，表示优于基准预测
- RRI（相对RMSE改进率）：SML达48.3%，显著优于基准IFT（22.5%）

四、关键研究发现
1. 算法性能对比：
- SML在无漂移场景MAE为0.098（基准IFT 0.241）
- eALG在含3次漂移的7年数据集上MAE达0.122
- 模型从 scratch的MAE在首年高达0.519°C

2. 更新策略优化：
- 1个月更新周期MAE最优（0.098-0.11°C）
- 2个月周期在计算效率与性能间取得平衡（MAE 0.11°C，训练时间减少40%）
- 季节性数据融合使SML在夏季预测误差降低27%

3. 概念漂移应对：
- 改造案例中，GTL基准模型MAE从0.15升至0.23
- SML通过引入去年同期数据，MAE控制在0.12（优于其他方法8-12%）
- 事件驱动策略（eALG）在首次改造后MAE提升15%，但后续恢复能力较弱

五、理论贡献与实践价值
1. 理论突破：
- 首次证明季节性数据融合（SML）优于单纯数据累积（ALG）
- 建立"季节-事件"双维度漂移处理框架
- 揭示建筑模型在O(1)内存复杂度下仍可保持98%以上基准性能

2. 工程应用：
- 优化后的GTL模型在40个建筑群中训练时间<2小时/次
- SML方法使云端更新频率从周级降至双月级
- 现场部署时，模型内存占用较传统方法减少60%

六、局限与展望
1. 当前局限：
- 仿真数据与真实场景存在20-30%的传感器噪声差异
- 仅考虑单次改造事件，未覆盖设备迭代（如锅炉更换）
- 模型更新仍依赖云端处理，边缘计算适配度待验证

2. 未来方向：
- 开发基于强化学习的动态更新触发机制
- 构建多尺度建筑知识图谱（宏观气候-中观建筑-微观设备）
- 探索联邦学习框架下的跨建筑模型协同更新

该研究为智能建筑控制提供了可扩展的解决方案，其提出的SML方法在保持低计算成本（O(1)内存）的同时，实现了48.3%的相对性能提升，特别是在处理季节性漂移和改造事件方面展现出显著优势。后续研究需重点关注真实数据环境下的模型鲁棒性验证。