Data-driven building energy efficiency prediction based on envelope heat losses using physics-informed neural networks

这篇论文介绍了一种新颖的物理信息神经网络模型，用于解决基于建筑物单个外围构件的热损失来预测住宅建筑能源性能的难题。值得注意的是，这个领域仍处于萌芽阶段，迄今为止在这个特定领域进行的研究相对有限，特别是在数据驱动方法方面。我们利用包含一般建筑信息、审计特征和供暖能源消耗的未公开数据集，将一般建筑信息输入深度学习模型，而模型的输出包括结构组件和几个热性质，实际上是能源绩效证书(EPC)的基本元素。在这个神经网络之上，基于物理方程的函数计算建筑物的能源消耗，基于热损失增强深度学习模型的损失函数。这种方法在拉脱维亚里加的256座建筑的实际案例研究中得到了测试。我们的研究取得了令人鼓舞的预测准确性结果，为基于建筑物基本属性的自动化、数据驱动的能源效率性能预测铺平了道路，与目前由人类进行的详尽能源效率审计形成了鲜明对比。

本论文旨在解决住宅建筑能源性能预测的问题，通过基于建筑物围护结构部件的热损失来进行分析预测。该领域仍处于起步阶段，尤其是在数据驱动的方法方面。

该论文提出了一种新颖的物理学知识驱动神经网络模型来解决这个问题。通过使用包括建筑物信息、审计特征和供暖能源消耗的未公开数据集，将建筑物信息输入深度学习模型，模型的输出包括结构部件和几个热性质，这些是能源性能证书（EPC）的基本元素。在这个神经网络上，基于物理方程的函数根据热损失计算建筑物的能源消耗，并增强了深度学习模型的损失函数。

该方法在拉脱维亚里加的256座建筑物的真实案例中进行了测试，取得了有希望的预测准确性结果，为基于建筑物基本属性的自动化、数据驱动的能源效率性能预测铺平了道路。

最近的相关研究包括：1）使用机器学习技术进行建筑能源性能预测的研究；2）基于数据驱动的方法来评估建筑物的能源效率；3）利用物理学知识和数据驱动方法相结合进行建筑能源性能预测的研究。