Physics-informed neural ordinary differential equations for multi-zone residential thermal modeling
Notice bibliographique
Résumé
• Proposed NODEs match predictive accuracy of traditional NODEs and LSTMs. • IG attributions for proposed NODEs align with localized heating and solar gains. • A masked architecture improves interpretability by incorporating physical priors. • Proposed NODEs are robust to predicting unevenly spaced data from occupied residences. Heating, Ventilation and Air Conditioning (HVAC) systems account for a large share of residential energy use and drive peak electricity demand. Yet, deploying smart, adaptive temperature controllers is hindered by the cost and complexity of obtaining accurate building models. In this work, a physics‑informed neural differential equation (NODE) approach is introduced to learn multi‑zone thermal dynamics of electrical baseboard heated homes from thermostat data. First, a fully connected data‑driven NODE captures temperature evolution and heating input effects without any prior building specifics. Second, insights of the thermal processes are embedded into the network via a masked architecture, improving interpretability and reducing non-physical cross‑zone couplings. Both NODE variants are benchmarked against a discrete‑time LSTM on hourly experimental data from a controlled test house and then the masked NODE architecture is used on irregularly sampled measurements from 16 occupied Québec residences. Experiments show that (a) masked NODEs match predictive accuracy of fully connected NODEs and LSTMs with respective average RMSEs of 0.49 °C, 0.40 °C and 0.55 °C on the data from the controlled test house, (b) integrated‑gradient attributions align with physical heat transfer laws in scenarios involving localized heating and solar gains, and (c) NODE models remain robust to unevenly spaced data with an average weighted RMSE of 0.48 °C over the 16 occupied residences. These results demonstrate that NODEs offer a broadly adaptable and interpretable framework for residential HVAC modeling.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».