ADAPT: Physics-Aware Diffusion-based World Models for Adaptive Predictive Transferable HVAC Control
本文提出了 ADAPT，一种物理感知的条件扩散世界模型，该模型通过集成可学习的热平衡正则项来克服热力学惯性和部分可观测性挑战，从而实现鲁棒且具可迁移性的 HVAC 控制，在标准及未见气候条件下均能显著降低能耗并减少人员不适感。
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
建筑物是地球上最大的能源消耗者之一，约占全球电力使用量和碳排放量的三分之一。其中很大一部分能量用于供暖、通风和空调系统，这些系统不知疲倦地工作以保持室内空间的舒适。然而，管理这些系统却出人意料地困难。与能立即响应的灯开关不同，建筑物具有一种“记忆”。厚实的墙壁、混凝土地板和家具会缓慢吸收热量，且释放热量的速度更慢。这意味着，当调节温控器时，室内温度不会立即发生变化；该操作的效果可能要在数小时后才能被感知。此外，外部环境也在不断变化，季节性的天气、阳光以及房间内人数的变化都在以复杂的方式改变着内部气候。由于这些延迟和变化，传统的控制系统往往难以预测房间未来的状态，从而导致能源浪费或温度不适。
为了解决这一问题，研究人员开发了一种名为 ADAPT 的新方法，它充当了建筑管理者的预测指南。该系统不再仅仅是对当前温度做出反应，而是学会了去“想象”如果保持现有设置，建筑物的温度在未来会是如何。它使用了一种被称为“扩散模型”的高级人工智能技术，这种技术非常擅长生成现实的数据序列，用以创建一个“热基准”。可以将这个基准想象成对建筑物自然行为的一种预报，展示热量如何随时间在墙壁和空气中漂移。通过理解这种延迟反应，系统可以做出更明智的决策，在正确的时间开启或关闭加热或冷却，以避免超过目标温度。
研究人员通过两种不同的方式测试了这一想法。首先，他们使用了一个经过高保真模拟的中国某七区办公建筑模型，该模型经过了数千小时真实数据的校准。其次，他们在另一种环境下进行了测试，使用了模拟了瑞典斯德哥尔摩寒冷气候和美国亚利桑那州炎热沙漠气候的全球基准。在这些测试中，新系统与标准控制方法和其他先进的人工智能技术进行了对比。结果显示，通过使用这种预测指南，该系统降低了 7.3% 的能耗，并显著提升了居住者的舒适度，将人们处于不适温度下的时间减少了 30.2%。
这项发现之所以特别重要，在于该系统处理从未见过的场景时的出色表现。大多数计算机模型是基于特定数据进行训练的（例如某个城市的夏季天气），当季节变换或被移动到不同气候区时，它们往往会失效。研究人员发现，即使从夏季转入冬季，或者从寒冷地区转移到炎热地区，他们的系统依然保持稳健。这种可靠性源于其设计的独特之处：该系统不仅是在从数据中学习模式，还受到基本物理定律的引导。它被教导要尊重热量如何在房间之间移动、阳光如何温暖空间以及人体如何产生热量等基本规则。这种物理层面的约束防止了系统在天气变化时做出不切实际的猜测，确保了即使在陌生条件下，其预测依然准确。
这项研究表明，将先进的人工智能与不变的物理原理相结合，可以为管理我们的建筑环境创造一种更高效、更具适应性的方式。通过赋予控制系统一个清晰的未来热状态图景，它可以停止盲目地对当下做出反应，转而开始为即将到来的情况做计划。这种方法为在保持人们舒适度的同时减少建筑物的能源足迹提供了一条切实可行的路径，应对了缓解气候变化过程中的一项关键挑战。这项工作表明，建筑管理的未来不在于单纯依靠更快的计算机，而在于开发出能够理解其试图控制的物理世界的更智能的模型。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。