[论文解读] Machine Learning for Smart and Energy-Efficient Buildings

H. Das, Yu‐Wen Lin+8 more|arXiv (Cornell University)|Nov 27, 2022

Smart Grid Energy Management被引用 6

一句话总结

本文综述了机器学习在智能与节能建筑中的应用，重点在于在保持居住者舒适度的同时优化能源使用。文章调研了建筑系统中监督学习、无监督学习和强化学习方法，强调了数据和泛化方面的挑战，并倡导采用标准化数据框架和迁移学习，以提升模型在实际环境中的可移植性和性能。

ABSTRACT

Energy consumption in buildings, both residential and commercial, accounts for approximately 40% of all energy usage in the U.S., and similar numbers are being reported from countries around the world. This significant amount of energy is used to maintain a comfortable, secure, and productive environment for the occupants. So, it is crucial that the energy consumption in buildings must be optimized, all the while maintaining satisfactory levels of occupant comfort, health, and safety. Recently, Machine Learning has been proven to be an invaluable tool in deriving important insights from data and optimizing various systems. In this work, we review the ways in which machine learning has been leveraged to make buildings smart and energy-efficient. For the convenience of readers, we provide a brief introduction of several machine learning paradigms and the components and functioning of each smart building system we cover. Finally, we discuss challenges faced while implementing machine learning algorithms in smart buildings and provide future avenues for research at the intersection of smart buildings and machine learning.

研究动机与目标

• 应对减少建筑能耗的迫切需求，建筑能耗占美国能源使用和温室气体排放的约40%。
• 克服在建筑系统中训练可靠机器学习模型时面临的数据收集、质量和一致性方面的挑战。
• 通过机器学习驱动的控制、预测和诊断，提升智能建筑中的居住者舒适度和能效。
• 识别由于热舒适偏好和建筑结构差异导致的模型在不同建筑和居住者之间泛化能力不足的问题。
• 提出标准化数据仓库（如BRICK模式）和迁移学习作为实现可扩展、互操作的机器学习解决方案的路径。

提出的方法

• 调研了用于建筑应用的机器学习范式：监督学习、无监督学习和强化学习。
• 回顾了机器学习在关键建筑系统中的应用：暖通空调（HVAC）、照明、人员检测、故障检测以及与电网的集成。
• 将模型性能与传统控制方法进行对比评估，结果表明机器学习方法通常与基线性能相当或更优。
• 提出合成数据生成和灰箱建模方法，以应对数据稀缺问题并提升模型鲁棒性。
• 倡导采用标准化元数据模式（如BRICK）以统一建筑中传感器数据和系统接口。
• 探索迁移学习和领域自适应技术，以增强模型在多样化建筑和居住者群体中的泛化能力。

实验结果

研究问题

• RQ1 机器学习在不损害居住者舒适度的前提下，如何提升建筑的能源效率？
• RQ2 在实际建筑环境中部署机器学习模型时，尤其是在数据质量和可用性方面，面临哪些关键挑战？
• RQ3 迁移学习和领域自适应在多大程度上能够提升机器学习模型在不同建筑和居住者群体之间的泛化能力？
• RQ4 标准化数据格式和共享数据仓库在提升智能建筑中机器学习解决方案的互操作性和可扩展性方面发挥什么作用？
• RQ5 结合物理模拟与数据驱动机器学习的混合模型在提升模型可靠性与可解释性方面起到什么作用？

主要发现

• 机器学习模型在预测、故障检测和能源优化任务中，持续优于或至少与传统控制方法相当。
• 数据稀缺——特别是热舒适相关数据——仍是主要瓶颈，且住户反馈方式具有侵入性且类别不平衡。
• 机构和企业之间缺乏标准化的数据格式，阻碍了数据的重复使用和模型的可迁移性。
• 合成数据生成和灰箱建模为克服真实世界数据有限的问题提供了可行方案，尤其在人员活动和舒适度建模方面。
• 迁移学习和领域自适应是前景广阔但尚未充分探索的领域，可显著提升模型在不同建筑和人群中的泛化能力。
• 标准化平台和接口协议对于整合建筑系统、电网和控制层级中的机器学习模型至关重要。