Physics-informed Modularized Neural Network for Advanced Building Control by Deep Reinforcement Learning

📄 arXiv: 2504.05397v2 📥 PDF

作者: Zixin Jiang, Xuezheng Wang, Bing Dong

分类: eess.SY

发布日期: 2025-04-07 (更新: 2025-12-15)

期刊: Advances in Applied Energy, 19 (2025) 100237

DOI: 10.1016/j.adapen.2025.100237

💡 一句话要点

提出物理信息模块化神经网络，用于深度强化学习优化建筑控制

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: 物理信息机器学习 深度强化学习 建筑控制 能源建模 神经网络 物理一致性 模型评估

📋 核心要点

  1. 现有物理信息机器学习在建筑能源建模中面临物理先验整合、有效性评估、精度与一致性平衡等挑战。
  2. 提出物理信息模块化神经网络(PI-ModNN)，通过模型结构、损失函数和硬约束融入物理先验知识。
  3. 实验表明硬约束能有效提升模型一致性，DRL控制在办公空间节能31.4%，并提出通用集成框架。

📝 摘要（中文）

本研究提出了一种物理信息模块化神经网络(PI-ModNN)，用于建筑能源建模，并作为虚拟环境赋能强化学习(RL)智能体进行交互和学习。该方法通过物理信息模型结构、损失函数和硬约束来整合物理先验知识。开发了一种名为“温度响应违例”的新评估指标，用于量化数据驱动的建筑动态模型在不同控制输入和训练数据大小下的物理一致性。此外，提出了一个基于规则重要性的物理先验评估框架，以评估每个物理先验的贡献，为选择合适的PIML技术提供指导。结果表明，纳入物理先验并不总能提高模型性能；不适当的先验可能会降低模型精度和一致性。然而，硬约束在加强模型一致性方面是有效的。最后，提出了一个开发面向控制的PIML模型并将其与深度强化学习(DRL)集成的通用工作流程。案例研究表明，在办公空间中实施DRL三个月，可实现31.4%的潜在节能。提供了一个通过四步评估框架将数据驱动模型与高级建筑控制集成的通用指南，为高级建筑控制的可靠和可扩展部署铺平了道路。

🔬 方法详解

问题定义：现有基于数据驱动的建筑能源模型难以有效整合物理先验知识，导致模型精度和物理一致性难以兼顾。同时，缺乏评估物理先验有效性的方法，以及将此类模型与深度强化学习控制策略有效结合的通用框架。现有方法在实际部署中面临可靠性和可扩展性问题。

核心思路：通过构建模块化的神经网络结构，将已知的物理规律以模型结构、损失函数和硬约束的形式融入到模型中。这种方式允许模型在学习数据的同时，受到物理规律的约束，从而提高模型的泛化能力和物理合理性。同时，通过评估不同物理先验的重要性，指导先验知识的选择。

技术框架：该研究提出了一个完整的框架，包括：1) 构建PI-ModNN模型，该模型包含物理信息模块；2) 定义“温度响应违例”指标，用于评估模型的物理一致性；3) 提出基于规则重要性的物理先验评估框架；4) 开发面向控制的PIML模型并与DRL集成的工作流程；5) 提出四步评估框架，用于数据驱动模型与高级建筑控制的集成。

关键创新：该研究的关键创新在于：1) 提出了PI-ModNN，一种模块化的神经网络结构，能够灵活地整合不同的物理先验知识；2) 开发了“温度响应违例”指标，用于量化评估模型的物理一致性；3) 提出了基于规则重要性的物理先验评估框架，能够指导物理先验的选择；4) 提出了一个完整的、面向控制的PIML模型开发和DRL集成的工作流程。

关键设计：PI-ModNN的关键设计包括：1) 模块化的网络结构，允许灵活地添加或删除物理信息模块；2) 损失函数的设计，既考虑了模型的预测精度，也考虑了模型的物理一致性；3) 硬约束的引入，强制模型满足特定的物理规律；4) 基于规则重要性的物理先验评估方法，通过分析不同物理先验对模型性能的影响，确定其重要性。

📊 实验亮点

实验结果表明，PI-ModNN在保证模型精度的同时，显著提高了模型的物理一致性。通过在办公空间中实施DRL控制，实现了31.4%的潜在节能。此外，物理先验评估框架能够有效地评估不同物理先验的贡献，为选择合适的PIML技术提供了指导。

🎯 应用场景

该研究成果可应用于智能建筑控制、能源管理和可持续发展领域。通过构建精确且物理一致的建筑能源模型，可以优化建筑的能源使用，降低运营成本，提高室内舒适度，并为实现碳中和目标做出贡献。该方法还可推广到其他物理系统建模和控制领域。

📄 摘要（原文）

Physics-informed machine learning (PIML) provides a promising solution for building energy modeling and can serve as a virtual environment to enable reinforcement learning (RL) agents to interact and learn. However, challenges remain in efficiently integrating physics priors, evaluating the effectiveness of physics constraints, balancing model accuracy and physics consistency, and enabling real-world implementation. To address these gaps, this study introduces a Physics-Informed Modularized Neural Network (PI-ModNN), which incorporates physics priors through a physics-informed model structure, loss functions, and hard constraints. A new evaluation metric called "temperature response violation" is developed to quantify the physical consistency of data-driven building dynamic models under varying control inputs and training data sizes. Additionally, a physics prior evaluation framework based on rule importance is proposed to assess the contribution of each individual physics prior, offering guidance on selecting appropriate PIML techniques. Results indicate that incorporating physical priors does not always improve model performance; inappropriate priors may decrease model accuracy and consistency. However, hard constraints are effective in enforcing model consistency. Furthermore, we present a general workflow for developing control-oriented PIML models and integrating them with deep reinforcement learning (DRL). Following this framework, a case study implementing DRL in an office space over three months demonstrates potential energy savings of 31.4%. Finally, we provide a general guideline for integrating data-driven models with advanced building control through a four-step evaluation framework, paving the way for reliable and scalable deployment of advanced building controls.