Data-driven building energy efficiency prediction using physics-informed neural networks

要約

住宅用建物の個々の外壁コンポーネントの熱損失に基づいて建物のエネルギー性能を分析的に予測することは、困難な作業です。
この分野はまだ初期段階にあり、これまでこの特定の分野で行われた研究は比較的限られており、特にデータ駆動型のアプローチに関しては注目に値します。
この論文では、この問題に対処するための、物理学に基づいた新しいニューラル ネットワーク モデルを紹介します。
一般的な建物情報、監査済みの特性、および暖房エネルギー消費量を含む未公開のデータセットの利用を通じて、深層学習モデルに一般的な建物情報を入力します。一方、モデルの出力は、実際には基本的な構造コンポーネントといくつかの熱特性で構成されます。
エネルギー性能証明書 (EPC) の要素。
このニューラル ネットワークの上に、物理方程式に基づく関数が熱損失に基づいて建物のエネルギー消費量を計算し、深層学習モデルの損失関数を強化します。
この方法論は、ラトビアのリガにある 256 棟の建物を対象とした実際のケーススタディでテストされています。
私たちの調査は、予測精度の点で有望な結果をもたらし、現状の人間による徹底的なエネルギー効率監査とは対照的に、建物の基本特性に基づいたデータ駆動型の自動エネルギー効率性能予測への道を開きます。
ああ。

要約(オリジナル)

The analytical prediction of building energy performance in residential buildings based on the heat losses of its individual envelope components is a challenging task. It is worth noting that this field is still in its infancy, with relatively limited research conducted in this specific area to date, especially when it comes for data-driven approaches. In this paper we introduce a novel physics-informed neural network model for addressing this problem. Through the employment of unexposed datasets that encompass general building information, audited characteristics, and heating energy consumption, we feed the deep learning model with general building information, while the model’s output consists of the structural components and several thermal properties that are in fact the basic elements of an energy performance certificate (EPC). On top of this neural network, a function, based on physics equations, calculates the energy consumption of the building based on heat losses and enhances the loss function of the deep learning model. This methodology is tested on a real case study for 256 buildings located in Riga, Latvia. Our investigation comes up with promising results in terms of prediction accuracy, paving the way for automated, and data-driven energy efficiency performance prediction based on basic properties of the building, contrary to exhaustive energy efficiency audits led by humans, which are the current status quo.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google