提升建筑温度预测：一种基于数据驱动的系统场景聚类方法
内容提要
该文综述多项研究，探讨利用数据驱动与机器学习方法优化暖通空调控制，涵盖符号回归建模、神经网络需求响应、Transformer温度预测、分布式实时控制、语法进化数据中心建模、深度强化学习与迁移学习等，旨在降低能耗与峰值功率、提升能效并保障热舒适。
延伸解读
数据驱动方法在暖通空调控制中的多样性
文章综述了多种数据驱动与机器学习方法在暖通空调控制中的应用，包括符号回归建模、神经网络需求响应、Transformer温度预测、分布式实时控制、语法进化数据中心建模、深度强化学习与迁移学习等。这些方法从不同角度优化能耗、峰值功率和热舒适，展示了该领域技术路线的丰富性。
温度预测精度与节能潜力
文章提到，基于语法进化技术的数据中心温度模型预测误差可低于2℃（CPU）和0.5℃（服务器进气口），而全局Transformer架构能提高多房间建筑温度预测的准确性和效率。这些精度提升有助于优化能源消耗并减少温室气体排放，但实际部署需考虑计算成本和数据需求。
迁移学习与实时控制的实践价值
深度强化学习结合迁移学习的方法通过拆分神经网络控制器，显著减少训练时间并改善温度控制精度。分散式实时控制方案则能在不测量外部干扰的情况下平衡舒适与节能。这些策略表明，降低训练成本和适应实际约束是推动技术落地的关键。
Q&A
数据驱动方法在暖通空调控制中主要能解决哪些问题？
数据驱动方法主要用于优化暖通空调控制，以降低能耗和峰值功率需求、提升能效，同时保障热舒适。具体包括建筑热力学建模、需求响应优化、室内温度预测、实时控制、数据中心温度建模以及基于深度强化学习和迁移学习的系统控制等。
有哪些机器学习技术被用于建筑温度预测？
文章提到多种技术：符号回归模型用于建筑热力学建模；神经网络和分段线性方程用于多区域建筑HVAC需求响应；全局Transformer体系结构用于多房间建筑室内温度预测；语法进化技术用于生成数据中心温度模型；深度强化学习和迁移学习用于建筑HVAC系统控制。
Transformer模型在建筑温度预测中有什么作用？
文章提出一种全局Transformer体系结构用于多房间建筑的室内温度预测，旨在优化能源消耗并减少与暖通空调系统相关的温室气体排放。该方法为温度预测提供了新颖解决方案，可提高准确性和效率，成为优化建筑行业能源消耗和减少温室气体排放的有价值工具。
如何在不测量外部干扰的情况下实现建筑实时控制并平衡舒适与节能？
文章设计了分散、分布式的实时控制方案，通过调整区域流量，提出热动力学建模和稳态资源分配问题的优化方法，以最小化区域温度和建筑能耗之间的总偏差，同时考虑实际操作限制。针对问题的非凸性质，提出两种方法求解并设计实时控制，可将热动力学驱动到最优解，平衡节能和舒适度。
语法进化技术在数据中心温度建模中取得了什么效果？
研究利用语法进化技术生成数据中心温度模型并预测CPU和进气口温度，在减少冷却成本、增强能量效率方面具有重要意义。通过实际数据中心场景的跟踪，结果表明可以完全预测数据室中服务器的温度，并且预测误差分别低于2℃和0.5℃的CPU和服务器进气口温度。
深度强化学习和迁移学习如何改善建筑暖通空调系统控制？
该研究提出一种基于深度强化学习和迁移学习的建筑暖通空调系统控制方法，通过将神经网络控制器拆分为一个可以迁移的前端网络和一个针对每个特定建筑物的可高效训练的后端网络，显著减少训练时间、节约能源成本和改善温度控制精度。
