Edge-based Parametric Digital Twins for Intelligent Building Indoor Climate Modeling

数字化转型在建筑环境中产生了大量数据，用于开发数据驱动模型以优化建筑运营。本研究提出了一种综合解决方案，利用边缘计算、数字孪生和深度学习来增强对建筑物气候的理解。使用本体创建参数化数字孪生，确保在不同建筑物配备的不同服务系统中具有一致的数据表示。基于创建的数字孪生和收集的数据，采用深度学习方法开发预测模型，以识别室内气候中的模式并提供洞见。参数化数字孪生和深度学习模型都部署在边缘以实现低延迟和隐私合规性。作为演示，本研究在瑞典\"厄斯特约特兰\"的一座历史建筑中进行了案例研究，比较了五种深度学习架构的性能。结果表明，时间序列密集编码器模型在低计算成本下表现出强大的竞争力，能够进行室内温度和相对湿度的多时间段预测。

利用边缘计算、数字孪生和深度学习来提高建筑中气候的理解和优化建筑运营。

使用本体论创建参数化数字孪生，确保不同建筑设备的一致数据表示。利用深度学习方法开发预测模型，识别室内气候中的模式并提供见解。将参数化数字孪生和深度学习模型部署在边缘上，以实现低延迟和隐私合规性。

实验在瑞典的一座历史建筑中进行，比较了五种深度学习架构的表现。时间序列密集编码器模型在低计算成本的情况下，表现出在室内温度和相对湿度的多时间段预测方面的强大竞争力。

最近的相关研究包括：1.基于数字孪生的建筑能耗预测；2.利用深度学习进行建筑设备故障检测；3.使用本体论和深度学习进行建筑性能分析。