学校建筑热动力学的灰箱建模

研究问题

如何利用灰箱模型从测量数据中辨识真实学校建筑的热动力学——该模型结合物理先验知识与数据驱动参数估计，同时量化辨识模型的不确定性？

方法

本项目应用灰箱建模方法，从现场测量数据中辨识学校建筑的热动力学。灰箱模型结合了：

• 物理先验知识——集总参数热网络模型（电阻-电容等效电路），描述散热器水路、室内空气和建筑之间的储热与传热。
• 随机微分方程——物理模型被构建为连续时间随机状态空间系统，其中SDE框架考虑了模型不确定性和未测量的扰动。
• 最大似然估计——通过统计推断从测量数据中估计灰箱模型参数，同时产生点估计和不确定性区间。

该方法区别于黑箱机器学习：其状态和参数仍与散热器及建筑中的物理储热和传热过程相对应。

个人贡献

Frederik Banis是会议论文的第一作者。他参与了灰箱模型构建、统计估计框架以及学校建筑测量数据分析。合著者提供了监督指导、建筑物理专业知识和方法论建议。

验证与关键结果

• 灰箱模型成功捕捉了学校建筑的主要热动力学，热阻和热容的参数估计具有物理可解释性。
• 使用学校假期无人、通风关闭期间的测量数据，以最大似然方法比较了 4R3C、5R4C 和 6R5C 模型。
• 4R3C 结构捕捉了主要动态；更高阶模型在论文报告的拟合中未显示出明显改进。
• 样本外验证及模型预测控制应用仍属于后续工作。

该方法发表于SINTEF会议论文集（2020年），该系列为同行评审会议论文集。

成果

• 会议论文： SINTEF Proceedings, Oslo, 2020. Handle: 11250/2684084
• 相关软件： SINDYc与MCMC框架 (Zenodo: 10.5281/zenodo.3911952) 扩展了本项目开发的不确定性感知系统辨识方法论。

合作者

• 丹麦技术大学DTU Compute — Henrik Madsen, Niels Kjølstad Poulsen, Peder Bacher（导师与合著者）
• Christian Anker Hviid（合著者，建筑物理）
• Hjörleifur G. Bergsteinsson, Davide Cali（合著者）

现状与下一步

状态： 已发表（2020年）。灰箱建模方法是该研究计划中的基础技术，展示了物理先验知识与统计推断如何结合以实现可解释、不确定性感知的系统辨识。

向当前研究的迁移： 同样的灰箱理念——将已知物理规律编码到模型结构中，然后估计剩余参数并检验模型——现在也用于指导生理监测的雷达正向模型。从建筑热动力学到电磁传播物理学，物理约束建模的思想是共享的。

参见方法页面了解不确定性感知推断支柱，以及研究页面了解更广泛的研究计划。