Hybrid modeling approach for better identification of building thermal network model and improved prediction

📄 arXiv: 2512.05400v1 📥 PDF

作者: Sang woo Ham, Donghun Kim

分类: eess.SY

发布日期: 2025-12-05

💡 一句话要点

提出混合建模方法，提升建筑热网络模型识别与预测精度，适用于模型预测控制。

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 建筑节能 模型预测控制 灰盒模型 系统识别 未测量扰动 热网络模型 混合建模

📋 核心要点

  1. 传统灰盒模型受未测量扰动影响，难以准确预测实际建筑的热行为，限制了其在模型预测控制中的应用。
  2. 提出混合建模方法，结合灰盒模型与未测量扰动模型，通过统计测试进行模型选择，提高模型的鲁棒性。
  3. 实验结果表明，该方法在不同气候条件下均能显著降低温度预测误差，并在实验室建筑的MPC应用中表现出色。

📝 摘要（中文）

灰盒建模方法利用半物理热网络模型，被广泛应用于建筑预测，例如模型预测控制（MPC）。然而，未测量的扰动，如人员、照明和渗透载荷，使得该方法在实际建筑中的应用具有挑战性。本研究提出了一种混合建模方法，将灰盒模型与未测量扰动模型相结合。在回顾了几种系统识别方法后，我们系统地设计了未测量扰动模型，并基于统计测试进行模型选择，以增强其鲁棒性。我们基于通过实际运行数据校准的建筑模型生成数据，然后针对两种不同的天气条件训练混合模型。结果表明，与传统方法相比，混合模型在温和气候（伯克利，加利福尼亚州）和寒冷气候（芝加哥，伊利诺伊州）下，提前一天的温度预测的RMSE分别降低了约0.2-0.9°C和0.3-2°C。此外，该方法还应用于从实验室建筑获得的实验数据，用于MPC应用，显示出卓越的预测性能。

🔬 方法详解

问题定义：论文旨在解决建筑热网络模型预测中，由于未测量扰动（如人员活动、照明、渗透等）导致预测精度下降的问题。传统的灰盒模型难以有效处理这些未测量扰动，限制了其在实际建筑模型预测控制（MPC）中的应用。现有方法无法准确识别和建模这些扰动，导致预测结果与实际情况存在较大偏差。

核心思路：论文的核心思路是将传统的灰盒模型与一个专门用于建模未测量扰动的模型相结合，形成一个混合模型。通过这种方式，灰盒模型可以专注于描述建筑本身的热物理特性，而扰动模型则负责捕捉和预测未测量因素的影响。这种解耦的设计旨在提高模型的整体预测精度和鲁棒性。

技术框架：该混合建模方法包含以下几个主要阶段：1) 基于实际运行数据校准建筑模型，生成训练数据；2) 回顾多种系统识别方法，选择合适的模型结构来建模未测量扰动；3) 基于统计测试进行模型选择，确定最优的扰动模型；4) 使用生成的训练数据训练混合模型；5) 在不同气候条件下评估模型的预测性能，并与传统方法进行比较；6) 将该方法应用于实验室建筑的实验数据，验证其在MPC应用中的有效性。

关键创新：该方法最重要的技术创新点在于将灰盒模型与未测量扰动模型进行有效集成。通过专门建模未测量扰动，该方法能够更准确地捕捉实际建筑的热行为，从而提高预测精度。此外，基于统计测试的模型选择过程增强了模型的鲁棒性，使其能够适应不同的建筑和气候条件。

关键设计：论文中未明确给出关键参数设置、损失函数、网络结构等技术细节。未测量扰动模型的具体形式（例如，是否使用了神经网络、时间序列模型等）以及模型选择过程中使用的具体统计测试方法（例如，假设检验、信息准则等）未知。这些细节将直接影响模型的性能和适用性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，与传统方法相比，该混合建模方法在温和气候（伯克利）和寒冷气候（芝加哥）下，提前一天的温度预测的RMSE分别降低了约0.2-0.9°C和0.3-2°C。此外，该方法在实验室建筑的MPC应用中也表现出卓越的预测性能，验证了其在实际应用中的有效性。

🎯 应用场景

该研究成果可广泛应用于建筑节能领域，尤其是在模型预测控制（MPC）系统中。通过提高建筑热行为预测的准确性，可以优化暖通空调（HVAC）系统的运行策略，降低能源消耗，提高室内舒适度。此外，该方法还可用于建筑性能评估、智能楼宇管理等领域，具有重要的实际应用价值和推广前景。

📄 摘要（原文）

The gray-box modeling approach, which uses a semi-physical thermal network model, has been widely used in building prediction applications, such as model predictive control (MPC). However, unmeasured disturbances, such as occupants, lighting, and in/exfiltration loads, make it challenging to apply this approach to practical buildings. In this study, we propose a hybrid modeling approach that integrates the gray-box model with a model for unmeasured disturbance. After reviewing several system identification approaches, we systematically designed the unmeasured disturbance model with a model selection process based on statistical tests to make it robust. We generated data based on the building model calibrated by real operational data and then trained the hybrid model for two different weather conditions. The Hybrid model approach demonstrates the reduction of RMSE approximately 0.2-0.9C and 0.3-2C on 1-day ahead temperature prediction compared to the Conventional approach for mild (Berkeley, CA) and cold (Chicago, IL) climates, respectively. In addition, this approach was applied for experimental data obtained from the laboratory building to be used for the MPC application, showing superior prediction performances.