住宅建筑的基础热模型

建筑能源界缺乏基础的热模型，即能够在不同建筑、气候和控制策略中进行推广而无需针对特定建筑进行校准的单一预训练模型。实现这一愿景需要捕捉普遍热动力学的建筑原则，而不是记住特定于建筑的模式。我们向这一目标迈出了一步，提出了一种基于物理的 Transformer 架构，该架构将领域知识（例如导数丰富和基于欧拉的数值积分）嵌入到仅解码器的框架中。我们结合了从模拟模型中提取的静态建筑特征，并采用旋转位置嵌入注意力来捕获时间依赖性。在涵盖三个气候区 247 栋住宅建筑的 CityLearn 数据集上进行评估后，我们的模型实现了一步预测精度（德克萨斯州的 RMSE 为 0.30°C，佛蒙特州为 0.29°C），同时优于传统基线和微调时间序列基础模型。我们还演示了零样本可迁移性：在少至两座建筑物上训练的模型可以推广到没有 微调 的看不见的建筑物和气候区域。尽管模拟住宅建筑存在局限性，但我们的结果建立了基于物理的建筑原理，作为通用建筑热模型的有希望的基础。