A physics-based domain adaptation framework for modelling and forecasting building energy systems

要約

タイトル: 建物エネルギーシステムのモデリングと予測のための物理学ベースのドメイン適応フレームワーク

要約:
– 機械学習モデルによる建物のエネルギー振る舞いのモデリングと予測は、十分なデータがあれば、解析的な説明が困難な複雑なシナリオでも、時空間パターンや構造を見つけるのに優れている。
– しかし、そのアーキテクチャは、支配的な物理現象にリンクされる機械的構造と物理的な対応を保持していないため、未観測のタイムステップに対してうまく一般化する能力は、実際の制御やエネルギー管理のような実世界の工学問題での観察データの動態が代表的であることを保証するのが困難である。
– 対応して、我々は、線形時不変（LTI）状態空間モデル（SSM）の形で集中パラメータモデルを、部分空間ベースのドメイン適応（SDA）フレームワークに結合するフレームワークを提案している。
– SDAは、通常、ラベル付きデータを活用して別の関連するターゲットドメインで予測を行うために採用される転移学習（TL）技術の一種です。
– 物理学由来の部分空間とデータ由来の埋め込まれた部分空間を幾何学的により近づけるSDAアプローチを紹介する。
– 最初の実験では、熱伝導のデモンストレーションシナリオで、源とターゲットシステムの熱物理特性を変化させて、物理学ベースの領域からデータ領域への機械的モデルの転移可能性を示す物理学ベースのSDAフレームワークを評価する。

要約(オリジナル)

State-of-the-art machine-learning-based models are a popular choice for modeling and forecasting energy behavior in buildings because given enough data, they are good at finding spatiotemporal patterns and structures even in scenarios where the complexity prohibits analytical descriptions. However, their architecture typically does not hold physical correspondence to mechanistic structures linked with governing physical phenomena. As a result, their ability to successfully generalize for unobserved timesteps depends on the representativeness of the dynamics underlying the observed system in the data, which is difficult to guarantee in real-world engineering problems such as control and energy management in digital twins. In response, we present a framework that combines lumped-parameter models in the form of linear time-invariant (LTI) state-space models (SSMs) with unsupervised reduced-order modeling in a subspace-based domain adaptation (SDA) framework. SDA is a type of transfer-learning (TL) technique, typically adopted for exploiting labeled data from one domain to predict in a different but related target domain for which labeled data is limited. We introduce a novel SDA approach where instead of labeled data, we leverage the geometric structure of the LTI SSM governed by well-known heat transfer ordinary differential equations to forecast for unobserved timesteps beyond observed measurement data. Fundamentally, our approach geometrically aligns the physics-derived and data-derived embedded subspaces closer together. In this initial exploration, we evaluate the physics-based SDA framework on a demonstrative heat conduction scenario by varying the thermophysical properties of the source and target systems to demonstrate the transferability of mechanistic models from a physics-based domain to a data domain.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI