NeuralBES：一种可微分、具备控制感知能力的可扩展建筑能耗建模仿真器

arXiv:2610.10459v1 公告类型：新 摘要：需求侧灵活性，即对住宅能源负荷进行预测、转移和削减，依赖于能够在数百万栋异质建筑中得到信赖的热力学模型。现有工具迫使人们在两者之间做出艰难取舍：EnergyPlus 等高保真物理仿真器虽然准确，但计算具有顺序性，并且需要针对每栋建筑进行校准；而纯数据驱动的序列模型虽具备可扩展性，却舍弃了使其预测结果值得信赖的物理结构。我们提出 NeuralBES（Building Energy Simulation），这是一种可微分仿真器，通过使用共享神经编码器对基于电阻—电容（RC）的热力学模型进行参数化，解决了这一权衡问题：建筑面积、建成年代和 HVAC 类型等静态建筑元数据被映射为具有物理边界的电容、热导和设备系数，这些参数随后作为标量线性递推的系数，并通过对数空间并行扫描求解；同时，预测—校正循环闭合了恒温器—温度之间的非线性关系，并保留了完整预测时域上的梯度流。NeuralBES 在涵盖三个气候区的 ResStock 数据集上进行训练，能够在单个训练好的编码器中处理异质的建筑原型、建成年代和气候区，而黑盒基线模型虽然生成了统计上合理的轨迹，却在物理上不一致。在全年完整滚动预测中，NeuralBES 是唯一一种同时满足物理有效性、且准确度与最强原始误差基线相差不超过 4 个 MAPE 点的数据条件模型；与此同时，其参数量约为 Transformer 和循环基线模型的十分之一。在参数量相当的物理有效基线中，与灰盒 RC 替代模型相比，它将 MAPE 降低了一半以上。