DOI: https://doi.org/10.1016/j.apenergy.2025.125853
تاريخ النشر: 2025-04-21
المؤلف: Leandro Von Krannichfeldt وآخرون
الموضوع الرئيسي: تحسين الطاقة والراحة في المباني
نظرة عامة
تناقش هذه section أهمية نمذجة الطاقة في المباني في تحسين أنظمة الطاقة من خلال التنبؤات الدقيقة للظروف الواقعية. تسلط الضوء على تطور تقنيات النمذجة من الطرق التقليدية المعتمدة على الفيزياء إلى الأساليب الهجينة المعاصرة التي تدمج بين النماذج المعتمدة على الفيزياء والنماذج المعتمدة على البيانات. تهدف الدراسة إلى تقييم أربع منهجيات هجينة بارزة في سياق الديناميكا الحرارية الداخلية، باستخدام دراسة حالة واقعية تعكس مستويات متفاوتة من توثيق المباني وتوافر أجهزة الاستشعار.
تشير النتائج إلى أن زيادة توثيق المباني وتوافر أجهزة الاستشعار تعزز دقة التنبؤ للنماذج الهجينة. بالإضافة إلى ذلك، يختلف أداء هذه النماذج حسب نوع الغرفة، حيث أن النهج المتبقي الذي يستخدم شبكة عصبية أمامية كعنصر معتمد على البيانات يحقق أفضل النتائج بشكل عام. يستخدم هذا النهج بشكل فعال المخرجات من النموذج المعتمد على الفيزياء. علاوة على ذلك، توضح الدراسة أن قيم شابلي الهرمية هي أداة قيمة لتوضيح وتنقيح النماذج الهجينة مع مراعاة الارتباطات المدخلة. تعيد الخاتمة التأكيد على تقييم الأساليب الهجينة مقابل النماذج المعتمدة فقط على البيانات والنماذج المعتمدة على الفيزياء تحت ظروف واقعية، مما يبرز أهمية التوثيق وبيانات أجهزة الاستشعار في أداء النموذج.
مقدمة
في العقد الماضي، ساهمت المباني بحوالي 30% من استهلاك الطاقة العالمي و26% من انبعاثات CO₂، حيث يُعزى أكثر من نصف هذا الاستهلاك إلى أنظمة الطاقة مثل التدفئة والتهوية وتكييف الهواء (HVAC). يبرز هذا الحاجة الملحة لاستراتيجيات لتحسين استخدام الطاقة في المباني، لا سيما من خلال تطوير نماذج طاقة المباني (BEMs). تحاكي هذه النماذج ظروف المباني الواقعية وتتنبأ بالأداء المستقبلي، مما يمكّن من اتخاذ إجراءات تحكم مثلى. ومع ذلك، فإن التحديات مثل نقص توثيق المباني وبيانات أجهزة الاستشعار تعيق البناء الدقيق والتبني الواسع لنماذج BEMs. تعتمد نماذج BEM التقليدية على النماذج المعتمدة على الفيزياء، والتي، على الرغم من تقديمها رؤى حول أداء المباني، يمكن أن تكون مستهلكة للوقت وتتطلب خبرة واسعة للإعداد.
قدمت التطورات الحديثة طرقًا معتمدة على البيانات تستخدم تقنيات التعلم الآلي، مثل المتوسط المتحرك التكاملي الذاتي (ARIMA) وشبكات الذاكرة طويلة وقصيرة المدى (LSTM)، لنمذجة ديناميات الطاقة في المباني استنادًا إلى بيانات أجهزة الاستشعار. تقدم هذه الأساليب سهولة أكبر في الإعداد ولكن تعتمد بشكل كبير على جودة وكمية البيانات المتاحة. ظهرت أساليب النمذجة الهجينة التي تجمع بين الطرق المعتمدة على الفيزياء والبيانات لمعالجة قيود كلا النموذجين، لا سيما في السيناريوهات ذات البيانات المحدودة. تهدف هذه الورقة إلى سد الفجوات البحثية الحالية من خلال مقارنة أربع استراتيجيات نمذجة هجينة عبر سيناريوهات واقعية مختلفة تتميز بمستويات متفاوتة من التوثيق وتوافر بيانات أجهزة الاستشعار. بالإضافة إلى ذلك، تستخدم إطار عمل قيم شابلي الهرمية لتعزيز قابلية تفسير هذه النماذج، مع التركيز على الديناميات الحرارية لتوفير رؤى حول الحسابات المتعلقة بالطاقة. تشمل مساهمات الدراسة تحليلًا شاملاً للأساليب الهجينة، واستكشافًا لتحيزات النموذج، وتقييمًا للأداء تحت ظروف بيانات مقيدة، مما يمهد الطريق للبحوث المستقبلية في تحسين طاقة المباني.
الطرق
في هذه الدراسة، يستخدم المؤلفون منهجية هجينة تدمج نموذج EnergyPlus المعتمد على الفيزياء مع نموذج معتمد على البيانات، مستكشفين أربع تركيبات شائعة من هذه الأساليب. يتم تقييم هذه التركيبات من خلال تحليل شامل يركز على ثلاثة جوانب رئيسية: الدقة، التي يتم تقييمها باستخدام مقاييس قياسية؛ القابلية للتفسير، التي يتم قياسها من خلال قيم شابلي الهرمية؛ واعتماد البيانات، الذي يتم فحصه تحت سيناريوهات متفاوتة من التوثيق وتوافر أجهزة الاستشعار. يهدف هذا التقييم متعدد الأبعاد إلى تقديم رؤى حول أداء وقابلية تطبيق النماذج المدمجة في السياقات الواقعية.
النتائج
يقدم القسم المعنون “النتائج” نتائج إضافية من البحث، مما يبرز أهمية البيانات المجمعة. يكشف التحليل عن اتجاهات ونماذج رئيسية تدعم الفرضيات الأولية. بشكل ملحوظ، تشير النتائج إلى وجود ارتباط قوي بين المتغيرات المدروسة، والذي يتم قياسه من خلال مقاييس إحصائية.
علاوة على ذلك، يتم توضيح النتائج من خلال تمثيلات رسومية تعزز فهم العلاقات بين المتغيرات. تسهم هذه النتائج في الآثار الأوسع للدراسة، مما يقترح تطبيقات محتملة ومجالات للبحث المستقبلي. بشكل عام، يبرز القسم قوة البيانات وملاءمتها للمجال.
المناقشة
في هذا القسم، يناقش المؤلفون تقييم أربع طرق نمذجة هجينة تدمج النماذج المعتمدة على الفيزياء والنماذج المعتمدة على البيانات لنمذجة طاقة المباني. تشمل الأساليب المساعد، المتبقي، البديل، وطرق التعزيز، حيث تستخدم كل منها نموذج EnergyPlus المعتمد على الفيزياء بطرق مختلفة لتعزيز توقعات درجة الحرارة الداخلية. يتضمن النهج المساعد توقعات EP كمدخلات إضافية، بينما يركز النهج المتبقي على تعلم الفروق بين توقعات EP ودرجات الحرارة الفعلية. يهدف الأسلوب البديل إلى استبدال نموذج EP بالكامل، بينما يقوم نهج التعزيز بضبط النموذج المعتمد على البيانات باستخدام بيانات حقيقية بعد التدريب الأولي. يقدم المؤلفون صيغًا جبرية لكل طريقة، مع التأكيد على تحليلها المقارن في دراسة حالة.
تم بناء النموذج المعتمد على الفيزياء باستخدام EnergyPlus، الذي يحاكي ديناميات المباني من خلال المعادلات التفاضلية، مع معايرتها باستخدام بيانات أجهزة الاستشعار الحقيقية لضمان الدقة. تشمل النماذج المعتمدة على البيانات التي تم استكشافها الانحدار الخطي (LR)، والشبكة العصبية الأمامية (FFNN)، وغابة عشوائية (RF)، التي تم اختيارها لتنوع تعقيداتها وخصائص أدائها. يبرز المؤلفون أهمية القابلية للتفسير في هذه النماذج الهجينة، مستخدمين إطار عمل قيم شابلي لتقييم مساهمات الميزات وتحليل تحيزات النموذج. يتم استخدام مقاييس التقييم مثل متوسط الخطأ المطلق (MAE)، ومتوسط الخطأ النسبي المطلق (MAPE)، وجذر متوسط مربع الخطأ (RMSE) لتقييم دقة التنبؤ عبر سيناريوهات مختلفة، مما يكشف أن النماذج الهجينة تتفوق عمومًا على محاكي EP، لا سيما في السيناريوهات التي تحتوي على بيانات أجهزة استشعار وتوثيق أكثر شمولاً.
DOI: https://doi.org/10.1016/j.apenergy.2025.125853
Publication Date: 2025-04-21
Author(s): Leandro Von Krannichfeldt et al.
Primary Topic: Building Energy and Comfort Optimization
Overview
This section discusses the significance of building energy modeling in optimizing energy systems through accurate predictions of real-world conditions. It highlights the evolution of modeling techniques from traditional physics-based methods to contemporary hybrid approaches that integrate both physics-based and data-driven models. The study aims to evaluate four prominent hybrid methodologies within the context of indoor thermodynamics, utilizing a real-world case study that reflects varying levels of building documentation and sensor availability.
The findings indicate that increased building documentation and sensor availability enhance the prediction accuracy of hybrid models. Additionally, the performance of these models varies by room type, with the residual approach utilizing a Feedforward Neural Network as the data-driven component yielding the best overall results. This approach effectively utilizes outputs from the physics-based model. Furthermore, the study demonstrates that hierarchical Shapley values are a valuable tool for elucidating and refining hybrid models while considering input correlations. The conclusion reiterates the assessment of hybrid methods against purely data-driven and physics-based models under realistic conditions, emphasizing the importance of documentation and sensor data in model performance.
Introduction
In the past decade, buildings have contributed approximately 30% of global energy consumption and 26% of CO₂ emissions, with over half of this consumption attributed to energy systems like Heating, Ventilation, and Air Conditioning (HVAC). This highlights the critical need for strategies to optimize energy use in buildings, particularly through the development of Building Energy Models (BEMs). These models simulate real-world building conditions and predict future performance, enabling optimal control actions. However, challenges such as insufficient building documentation and sensor data hinder the accurate construction and widespread adoption of BEMs. Traditional BEMs rely on physics-based models, which, while providing insights into building performance, can be time-consuming and require extensive expertise to set up.
Recent advancements have introduced data-driven methods that utilize machine learning techniques, such as Autoregressive Integrated Moving Average (ARIMA) and Long Short-Term Memory (LSTM) networks, to model building energy dynamics based on sensor data. These approaches offer greater ease of setup but depend heavily on the quality and quantity of available data. Hybrid modeling approaches that combine physics-based and data-driven methods have emerged to address the limitations of both paradigms, particularly in scenarios with limited data. This paper aims to fill existing research gaps by comparing four hybrid modeling strategies across various real-world scenarios characterized by differing levels of documentation and sensor data availability. Additionally, it employs a hierarchical Shapley value framework to enhance the interpretability of these models, focusing on thermal dynamics to provide insights into energy-related calculations. The study’s contributions include a comprehensive analysis of hybrid approaches, an exploration of model biases, and an assessment of performance under constrained data conditions, setting the stage for future research in building energy optimization.
Methods
In this study, the authors employ a hybrid methodology that integrates a physics-based EnergyPlus model with a data-driven model, exploring four prevalent combinations of these approaches. The evaluation of these combinations is conducted through a comprehensive analysis focusing on three key aspects: accuracy, which is assessed using standard metrics; explainability, measured through hierarchical Shapley values; and data dependency, which is examined under varying scenarios of documentation and sensor availability. This multifaceted evaluation aims to provide insights into the performance and applicability of the combined models in real-world contexts.
Results
The section titled “Results” presents additional findings from the research, emphasizing the significance of the data collected. The analysis reveals key trends and patterns that support the initial hypotheses. Notably, the results indicate a strong correlation between the variables studied, which is quantified through statistical measures.
Furthermore, the findings are illustrated with graphical representations that enhance the understanding of the relationships among the variables. These results contribute to the broader implications of the study, suggesting potential applications and areas for future research. Overall, the section underscores the robustness of the data and its relevance to the field.
Discussion
In this section, the authors discuss the evaluation of four hybrid modeling approaches that integrate physics-based and data-driven models for building energy modeling. The approaches include the assistant, residual, surrogate, and augmentation methods, each utilizing the physics-based EnergyPlus (EP) model in different ways to enhance indoor temperature predictions. The assistant approach incorporates EP predictions as additional inputs, while the residual approach focuses on learning the discrepancies between EP predictions and actual temperatures. The surrogate method aims to replace the EP model entirely, and the augmentation approach fine-tunes the data-driven model with real data after initial training. The authors provide algebraic formulations for each method, emphasizing their comparative analysis in a case study.
The physics-based model is constructed using EnergyPlus, which simulates building dynamics through differential equations, calibrated with real sensor data to ensure accuracy. The data-driven models explored include Linear Regression (LR), Feedforward Neural Network (FFNN), and Random Forest (RF), chosen for their varying complexities and performance characteristics. The authors highlight the importance of explainability in these hybrid models, employing a Shapley value framework to assess feature contributions and model biases. Evaluation metrics such as Mean Absolute Error (MAE), Mean Absolute Percentage Error (MAPE), and Root Mean Squared Error (RMSE) are utilized to assess prediction accuracy across different scenarios, revealing that hybrid models generally outperform the EP simulator, particularly in scenarios with more comprehensive sensor data and documentation.