物理引导的神经ODE用于建筑热预测与模型预测控制

《Buildings》：Physics-Guided Neural ODEs for Building Thermal Prediction and Model Predictive Control

　　

建筑监督控制需要精确、先验一致且计算易处理的热模型。本研究提出了一种用于热预测和模型预测控制(MPC)的物理引导神经常微分方程(PG-NODE)框架。该框架结合了电阻-电容(RC)启发参考、神经残差、RC先验方向正则化以及基于验证的检查点选择；所选预测器在MPC运行期间保持固定。利用来自五个热区的30分钟EnergyPlus数据，通过留出法预测、高斯噪声和控制输入失配测试、消融实验以及基于替代模型的闭环实验对该框架进行了评估。长短期记忆(LSTM)取得了最低的预测均方根误差(RMSE)，而PG-NODE在评估的神经ODE模型中取得了最低的RMSE，并在所学习的非线性模型中取得了最低的方向不一致率。在五种随机种子×五个窗口的BACK SPACE实验中，使用独立训练的固定PG-NODE替代环境而非直接EnergyPlus交互，固定区块分析支持PG-NODE-MPC的参考跟踪RMSE低于规则控制，且其电价加权归一化控制努力低于基于扩展卡尔曼滤波器(EKF)的RC-MPC基准。该基准取得了最低的描述性均值参考跟踪RMSE和总目标函数值。PG-NODE-MPC的平均优化时间为0.86秒。结果表明，在物理命令映射和分阶段现场验证的前提下，该方法具有用于低频建筑管理系统监督决策支持的潜力。

**论文解读：物理引导神经ODE在建筑热预测与模型预测控制中的应用**

**研究背景、问题与动因**

建筑运营能耗在生命周期中占比较大，优化供暖、通风和空调（HVAC）系统运行是降低需求的重要途径。模型预测控制（MPC）通过预测模型和未来信息优化控制动作，但其实际性能严重依赖底层建筑热模型的预测精度、鲁棒性和控制导向可靠性。现有控制导向热模型涵盖低阶电阻-电容（RC）灰箱模型和完全数据驱动预测器。近期物理信息学习研究试图通过架构设计、混合残差、物理约束和物理引导损失函数将结构化热知识与神经网络灵活性结合，但正则化强度会显著影响预测性能和一致性，需分别评估这些目标。神经常微分方程（Neural ODE）提供连续时间框架学习动态系统，已在建筑MPC中得到应用，但现有工作未采用RC参考-神经残差分解。为此，研究人员提出一种物理引导神经ODE（PG-NODE）框架，旨在结合RC先验与神经残差，通过方向正则化提高物理一致性，同时保持预测性能，并评估其在MPC中的闭环表现。

**研究内容、结论与意义**

研究人员开发了PG-NODE框架，包含RC启发参考分量、神经残差、RC先验方向正则化以及基于验证的部署模型选择，并将选定预测器嵌入PG-NODE-MPC控制器。利用EnergyPlus生成的五个热区年度数据（30分钟间隔），通过留出法预测、高斯噪声鲁棒性测试、控制输入失配测试、消融实验以及基于替代模型的多窗口闭环控制器比较进行评估。结果表明：长短期记忆（LSTM）取得最低预测均方根误差（RMSE），而PG-NODE在神经ODE模型中RMSE最低，且方向不一致率（RDI）最低（4.49%），显著低于其他非线性模型。在闭环比较中，PG-NODE-MPC相对于规则控制（RBC）具有更低的参考跟踪RMSE，相对于基于扩展卡尔曼滤波器（EKF）的RC-MPC基准（RC-EKF-MPC）具有更低电价加权归一化控制努力，但RC-EKF-MPC在描述性均值参考跟踪RMSE和总目标上最优。PG-NODE-MPC优化时间平均0.86秒，表明其与低频建筑管理系统（BMS）监督运行兼容。该论文发表在《Buildings》期刊，为智能建筑监督决策支持提供了结构化基础，但需物理命令映射和分阶段现场验证。

**主要关键技术方法（不超过250字）**

主要方法包括：PG-NODE架构，将建筑热动力学分解为RC启发参考分量（低阶线性先验，通过岭回归从训练数据识别）和可学习神经残差（4-32-32-1网络）；RC先验方向正则化，通过活动阈值（基于训练子集第65百分位）排除弱方向样本，惩罚与RC先验趋势相反的方向，正则化权重经验证集敏感性分析定为0.1；基于验证的部署检查点选择，先筛选局部HVAC响应增益为正的候选，再选取48步自由运行验证RMSE最低的检查点，选定后固定用于MPC。MPC采用滚动时域优化，目标函数包含电价加权归一化控制努力、参考跟踪惩罚和控制平滑性惩罚。样本队列来源于EnergyPlus生成的DOE Standalone Retail原型建筑（纽约气候，ASHRAE 90.1-2022，TMY3天气数据），五个热区，17520个30分钟样本，按时间顺序60%训练、20%验证、20%测试。

**研究结果（保留每个小标题）**

**7.1 预测精度与RC先验方向一致性**：通过五个热区、五个训练种子的留出法预测实验，比较RC基线、LSTM、普通NODE、正则化NODE和PG-NODE。LSTM取得最低总体RMSE（0.1190），PG-NODE在神经ODE模型中RMSE最低（0.1314），且RDI仅4.49%，远低于普通NODE的17.66%和LSTM的27.18%，表明方向正则化显著提高了与RC先验的一致性。

**7.2 控制HVAC输入模型失配敏感性**：通过固定预测器的控制输入增益因子（0.6、0.8、1.0）失配实验，比较普通NODE和PG-NODE。两者在失配下的RMSE增加幅度接近（PG-NODE相对RMSE增加9.26%至28.26%，普通NODE为7.82%至26.69%），PG-NODE未表现出更优鲁棒性。

**7.3 高斯噪声鲁棒性与方向正则化敏感性**：在零均值高斯噪声（σ=0.3, 0.6）下重新训练并评估模型。所有模型RMSE随噪声增加，LSTM仍最低；PG-NODE保持较低RDI（σ=0.3时3.65%，σ=0.6时6.25%），但预测RMSE与普通NODE相似。方向正则化权重λ的验证集敏感性分析显示，λ从0增至10时，RDI从14.96%降至4.02%，但RMSE从0.1290增至0.1361，存在准确率-先验一致性权衡。

**7.4 方向正则化与受限自适应消融分析**：消融实验比较M0（无正则化）、M1（有正则化）、M2（受限最后一层自适应，缓冲长度1）和M3（缓冲长度5）。M1相比M0，RMSE从0.1346降至0.1314，RDI从17.66%降至4.49%；M2和M3进一步降低RMSE至0.1199和0.1214，但RDI增至13.08%和13.18%，表明自适应提升预测精度但削弱先验一致性。

**7.5 多窗口闭环控制器比较**：在BACK SPACE区域进行五种种子×五个窗口的闭环比较，使用固定区块分析。PG-NODE-MPC相比RBC，参考跟踪RMSE更低（p=0.019），累积控制变化更小（p=0.002），但总目标无显著差异（p=0.700）。相比RC-EKF-MPC，PG-NODE-MPC的参考跟踪RMSE和总目标更高（p<0.001），但电价加权控制努力更低（p<0.001）。RC-EKF-MPC取得最低描述性均值参考跟踪RMSE和总目标。各控制器展现出不同算法性能特征。

**7.6 计算需求与时间可行性**：PG-NODE-MPC最大优化时间1.117秒，占控制间隔（1800秒）的0.062%，最大驻留集大小约307 MB，表明在30分钟监督控制配置下存在充足时间余量。

**讨论与结论**

**讨论总结**：研究存在若干局限性。闭环比较限于单一建筑（DOE Standalone Retail原型）、单一气候（纽约气候区4A）和五个48小时窗口（10月至12月），不能推广至全年或跨气候。统计泛化性有限，依赖五个替代模型实现和五个窗口。所有闭环比较基于独立训练的固定PG-NODE替代环境，而非直接EnergyPlus共仿真或真实建筑运行，因此结果为算法性证据而非共仿真验证。MPC假设完美外生预测，未考虑传感器偏差、故障、模型漂移等。未来工作应扩展至真实建筑数据、更广泛建筑气候条件、不完美预测、显式执行器与设备模型，以及可扩展多区多建筑方案，并通过共仿真、硬件在环、分阶段BMS集成和现场部署进行验证。

**研究结论翻译**：本研究通过结合RC启发热先验、神经残差模型和RC先验方向正则化，开发了用于建筑热预测和MPC的PG-NODE框架。在五个热区和五个训练种子上，LSTM取得了最低总体预测RMSE，而PG-NODE的RDI显著低于其他学习非线性模型。因此，所提正则化的主要益处在于提高与选定RC启发先验的一致性，而非普遍提高预测精度。消融研究进一步表明，相对于固定PG-NODE，受限最后一层自适应降低了预测误差但增加了RDI，表明在评估设置下存在准确率-先验一致性权衡。在评估的BACK SPACE多窗口闭环仿真案例中，考虑模型实现种子和评估窗口效应后，PG-NODE-MPC比RBC取得了更低的参考跟踪RMSE，同时产生了更平滑的控制动作。PG-NODE-MPC具有最低的描述性均值电价加权归一化控制努力，固定区块分析支持其相对于RC-EKF-MPC更低，但相对于RBC无显著差异。RC-EKF-MPC在三个控制器中取得了最低的描述性均值参考跟踪RMSE和总目标。这些发现表明在评估的基于替代模型的仿真设计中，各控制器具有不同的算法性能特征，而非任何单一控制器普遍优越。从实践角度，所提框架为智能建筑监督决策支持提供了结构化基础，而非直接设备级控制解决方案。通过集成热预测、先验一致性诊断和滚动时域优化，其可在参考跟踪、控制平滑性和电价加权归一化控制努力方面支持监督动作的比较评估。观察到的时序余量表明其与低频BMS监督运行潜在兼容，而现有本地控制器、安全联锁、操作员超控和回退逻辑将保持活动。然而，实际部署需要场地特定命令映射、可靠预测和接口以及分阶段验证。当前证据仍限于一个原型建筑、一个气候区及BACK SPACE区域五个48小时闭环窗口的仿真评估。如第7.7节所述，未来工作应将验证扩展到实测真实建筑数据和更广泛建筑气候条件，纳入不完美预测和显式执行器与设备模型，并评估可扩展多区多建筑方案。此类扩展应解决区间热耦合、共享HVAC资源与运行约束的协调以及分层或分布式优化的潜在需求，同时部署验证应通过共仿真、硬件在环测试、分阶段BMS集成和现场部署推进。