⚡ electrical engineering

Active Learning for Optimal Experimental Design in Machine Learning-Based Building Energy System Identification

本文系统地评估了用于建筑能源系统辨识中最优实验设计的十四种主动学习技术，证明了它们通过在各种场景和模型架构下将模型误差降低高达54%，显著优于被动随机采样。

原作者： Nam T. Nguyen, Truong X. Nghiem

发布于 2026-06-25

📖 1 分钟阅读☕ 轻松阅读

原作者： Nam T. Nguyen, Truong X. Nghiem

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你正在试图教一个机器人如何控制一栋建筑的供暖和制冷系统。目标是让机器人足够聪明，能够预测房间温度的变化，从而节省能源。但问题在于，你不能让机器人进行随机猜测。每当你测试一个设置（比如调高或调低风扇速度）时，都会消耗能量和时间。你希望从每一次测试中获得最大的“学习量”。

这篇论文就像是给机器人的老师编写的一本指南。它在问：“选择下一次测试的最聪明的方法是什么？”

问题所在：蒙眼投掷飞镖

通常，当科学家们训练这些 AI 模型时，他们使用一种叫做**被动学习（Passive Learning）**的方法。想象一下，你试图通过向墙壁投掷飞镖来学习一个黑暗房间的布局。在被动学习中，你只是完全随机地投掷飞镖。有时你会击中一个能教给你新知识的点，但通常你会两次击中同一个点，或者把飞镖投向一面毫无信息的白墙，从而毫无收获。这是低效的，并且浪费了你的“飞镖预算”。

解决方案：主动学习（聪明的老师）

作者提议使用主动学习（Active Learning）。与其随机投掷飞镖，不如让老师观察机器人已经掌握了什么知识，然后问道：“我们现在对哪里最困惑？就在那里投掷一个飞镖吧！”

论文对比了 14 种不同的“聪明老师”策略，以观察哪一种能帮助机器人最快、最准确地学习建筑的温度动态。他们针对两种类型的机器人“大脑”进行了测试：

确定性大脑（神经网络）： 一种标准的 AI，它给出一个特定的答案（例如，“温度将是 72°F”）。
随机性大脑（高斯过程）： 一种不仅给出答案，还给出置信水平的 AI（例如，“温度将是 72°F，但我只有 50% 的把握”）。

四种类型的“聪明老师”

研究人员将 14 种策略分为四个家族，并使用了有趣的隐喻：

地图探索者（数据空间）：
- 类比： 想象你在探索一座新城市。这些老师说：“让我们去那个还没去过的街区。”他们并不关心机器人当前的知识，他们只想确保地图上的每个部分都被造访过。
- 结论： 在初期表现良好，但有时它们仅仅因为某个地方还没被造访过，就会去一些无聊的地方。
怀疑者（不确定性）：
- 类比： 这些老师看着机器人说：“你对建筑物的这个角落似乎很不确定。让我们就在那里进行测试吧。”他们专注于机器人感到最困惑的地方。
- 结论： 非常有效，尤其是在机器人还是个新手的时候。
结构构建者（信息增益）：
- 类比： 这些老师关心建筑的“规则”。他们说：“让我们测试一个能帮助我们理解建筑升温基本规律的设置，而不仅仅是猜测一个温度。”
- 结论： 非常擅长理解数据背后的“为什么”，尤其是在你已经拥有一定初始数据时。
变革推动者（模型变化）：
- 类比： 这些老师会问：“如果我们测试这个特定的设置，它会在多大程度上迫使机器人重写它的笔记本？”他们寻找能引发最大“啊哈！（顿悟）”时刻的测试。
- 结论： 对于快速更新机器人的大脑非常强大。

大规模实验

团队不仅停留在理论层面，他们还使用了一个高保真建筑模拟器（称为 BOPTEST）进行了大规模模拟。他们设置了三种不同的场景：

场景 A： 机器人几乎没有任何数据（2 个样本），并且对温度变化的规则限制非常严格（紧约束）。
场景 B： 与 A 相同，但规则稍微宽松一些。
场景 C： 机器人起始数据较多（10 个样本），且规则非常宽松。

结果：什么方法最有效？

论文发现，主动学习通常优于随机学习，但“最佳”策略取决于具体情况：

当机器人是个彻头彻尾的新手时（场景 A）： “聪明老师”展现了威力。与随机投掷者相比，它们将机器人的错误率降低了高达 54%。
- 对于随机性大脑（知道自己置信度的那个），“结构构建者”（信息增益）和“地图探索者”策略是赢家。
- 对于确定性大脑（标准 AI），“变革推动者”（模型变化）和“怀疑者”（不确定性）效果最好。
当机器人已经掌握了一些知识时（场景 C）： “变聪明”带来的优势开始减弱。一旦机器人有了相当数量的初始数据，随机投掷者（被动学习）就追赶上来了。在某些情况下，对于要运行哪个测试进行过于挑剔的选择，并不比直接尝试各种方法更有帮助。

核心结论

这篇论文告诉我们，如果你试图训练一个 AI 来控制建筑能源，不要只是随机猜测。 如果你处于数据极少的阶段，请使用“聪明老师”策略来挑选你的测试。它会为你节省时间和能源，并给你一个更聪明的机器人。

然而，论文也警告说，并不存在一种单一的“万灵药”策略。最好的方法取决于你拥有多少数据以及建筑规则有多严格。最显著的改进发生在“数据匮乏”区域——即当你拥有的初始信息非常少的时候。

技术摘要：基于主动学习的机器学习建筑能源系统辨识最优实验设计

问题陈述
由于机器学习（ML）技术相比于基于物理的模型具有更高的灵活性，其正越来越多地被用于识别建筑能源系统（BES）的动力学特性，特别是 HVAC 热动力学。然而，这些数据驱动模型的性能高度依赖于训练数据的质量。标准方法通常依赖于使用均匀随机控制输入（如 PRBS、白噪声）的被动学习（PL），这往往效率低下，需要海量数据集才能准确估计非线性系统动力学。本文旨在解决**最优实验设计（OED）**的需求，以确定哪些实验能收集到最具信息量的的数据。虽然 OED 和主动学习（AL）具有相似的底层机制，但现有的建筑能源研究大多仅应用单一、随机的采集函数，缺乏对不同 AL 范式或 ML 模型类别的系统性比较。此外，许多先前的工作侧重于静态预测或分类，而非在现实控制约束下的在线动态系统辨识。

方法论
本研究提出了一种将 14 种 AL 技术应用于建筑热动力学辨识的系统性比较方法。研究方法围绕以下组件构建：

系统建模： 该问题被建模为一个离散时间动态系统，目标是学习一个未知非线性函数 $f$ 的近似值，该函数控制着从状态 $x_k$ 和控制输入 $u_k$ 到后继状态 $x_{k+1}$ 的转换。
模型类别： 评估了两种截然不同的 ML 架构：
- 确定性： 通过点预测近似动力学的前馈神经网络（NN）。
- 随机性： 提供后验预测分布及原生不确定性估计的高斯过程（GP）。
主动学习分类法： 14 种技术根据其采集函数逻辑分为四类：
- 数据空间： 依赖几何结构的算法（贪婪采样 Greedy Sampling、反距离权重法 Inverse Distance Weighting）。
- 不确定性： 针对高预测不确定性区域的算法（针对 NN 的委员会查询法 Query-by-Committee、蒙特卡洛 Dropout 法；针对 GP 的最大化方差 Maximize Variance、集成方差缩减法 Integrated Variance Reduction）。
- 信息增益： 针对超参数估计的算法（针对 GP 的费舍尔信息 Fisher Information、香农熵 Shannon Entropy）。
- 模型变化： 针对预期参数更新幅度最大的算法（针对 NN 的期望模型变化最大化 EMCM、最大化最后层变化 Maximize Last Layer Change；针对 GP 的置信上限 UCB、改进概率 Probability of Improvement）。
实验设置： 所有算法均在 BOPTEST 高保真模拟器上实现并进行评估，该模拟器使用 Modelica 来模拟真实的 HVAC 动力学。研究采用带有批量更新（每 10 个样本重新训练一次）的在线学习框架。
测试场景： 性能通过以下变量变化的六个场景进行评估：
- 初始数据集大小： 2 个数据点（数据稀缺）对比 10 个数据点。
- 控制约束： 严格的斜率约束（模拟现实中的 HVAC 限制）对比宽斜率约束。
- 评估指标： 在三个时间窗口（0–2h, 0–12h, 0–24h）内计算均方根误差（RMSE），并以窗口均值和最终时间步值进行报告。

核心贡献
本文做出了三个主要贡献：

系统性分类法： 它正式分类并推导了跨越确定性（NN）和随机性（GP）两类模型的 14 种 AL 技术的采集函数，并将其组织为上述四个类别。
高保真评估： 不同于依赖静态数据集或简单虚拟测试平台的先前研究，本工作在 BOPTEST 模拟器上实现并评估了所有技术，纳入了真实的 HVAC 动力学和控制约束。
全面的实证比较： 研究通过在不同初始数据规模和运行约束下的广泛实证分析，将所有 AL 方法与使用均匀随机输入的被动学习基准进行了对比。

结果
模拟结果表明，基于 AL 的模型通常优于使用均匀随机控制输入的被动学习（PL），在特定场景下实现了高达 54% 的误差降低。然而，这些改进的幅度及其一致性因采集函数、模型类别和运行机制的不同而显著变化：

数据稀缺阶段（2 个初始点，严格约束）： AL 方法表现出最显著的优势。
- 对于 GP 模型，**集成方差缩减法（IVR）和反距离权重法（IDWGP）**表现强劲，其中 IDWGP 在 0–12h 窗口内实现了 54% 的 RMSE 降幅。
- 对于 NN 模型，**委员会查询法（QBC）和基于梯度的模型变化法（EMCM, MLLC）**提供了最大的改进，QBC 在早期窗口中将平均 RMSE 降低了 27–42%。
数据丰富阶段（10 个初始点，宽松约束）： AL 相对于 PL 的优势有所减弱。在若干中长期预测场景中，PL 的表现与特定的 AL 方法（如 GP 的 GSGP 和 SE；NN 的 MCD）相当甚至更好。
模型特定观察：
- 高斯过程： 一旦斜率约束适度放宽，信息增益类别（费舍尔信息）成为表现最强的类别。数据空间方法 GSGP 在所有场景中均未能实现对 PL 的超越。
- 神经网络： 不确定性采样（特别是 QBC）始终是最具竞争力的类别。蒙特卡洛 Dropout (MCD) 在数据稀缺场景下未能实现对 PL 的改进，这表明在该背景下存在校准问题。
总体趋势： 当初始训练数据稀缺且允许的控制范围受到严格约束时，OED 的益处最为显著且可靠。

意义与主张
本文主张，主动学习驱动的实验设计是构建建筑能源系统辨识的有力工具，特别是在收集数据成本高昂或耗时的数据稀缺阶段。研究表明，不存在一种普适的最优采集函数；最优选择取决于模型类别（确定性 vs 随机性）以及具体的运行约束（数据可用性和控制斜率限制）。

本研究作为未来研究的基准测试，强调了虽然 AL 可以显著降低模型误差（在最佳情况下可达 54%），但其益处并非在所有条件下都能得到保证。作者谦逊地总结道，其工作针对的是一个相对简单的系统（4 输入 1 输出），并未评估计算成本，建议未来的工作应将这些发现扩展到更复杂的非线性系统，并包含对计算开销的统计分析。