Detailansicht
Robust parameter identification of a reduced-order building thermal model using an inverse physics-informed neural network
Noah Sippl
Art der Arbeit
Masterarbeit
Universität
Universität Wien
Fakultät
Fakultät für Physik
Studiumsbezeichnung bzw. Universitätlehrgang (ULG)
Masterstudium Computational Science
Betreuer*in
Sebastian Tschiatschek
DOI
10.25365/thesis.81381
URN
urn:nbn:at:at-ubw:1-13807.45137.679422-2
Link zu u:search
(Print-Exemplar eventuell in Bibliothek verfügbar)
Abstracts
Abstract
(Deutsch)
Die zunehmende Integration erneuerbarer Energien stellt neue Anforderungen an Energiesysteme. Insbesondere gewinnt die zeitliche Flexibilität des Energieverbrauchs an Bedeutung. Gebäude können hierzu beitragen, indem ihre thermische Trägheit gezielt zur Lastverschiebung genutzt wird. Diese Lastverschiebung wird durch den thermischen Komfort der Bewohner begrenzt und erfordert daher genaue und physikalisch konsistente Vorhersagen der Innenraumtemperatur, um zu bewerten, ob mögliche Lastverschiebungen die Komfortgrenzen einhalten. Einen Ansatz zur physikalisch konsistenten Temperaturvorhersage bildet die Parameteridentifikation thermischer Gebäudemodelle. Dabei werden die vorherrschenden Temperaturdynamiken durch ein vereinfachtes thermisches Modell beschrieben, dessen Parameter im Rahmen der Parameterschätzung aus Daten gelernt werden. Aufgrund der eingeschränkten Betriebsbedingungen in Gebäuden werden Temperaturdynamiken jedoch nur schwach angeregt, während sich wesentliche Einflussgrößen zeitlich überlagern. Dadurch wird es schwierig, verlässliche kausale Zusammenhänge zu identifizieren. Dies stellt eine zentrale Herausforderung für die Parameterschätzung dar und macht den Identifikationsprozess selbst zum limitierenden Faktor für robuste Vorhersagen der Innentemperatur. In dieser Arbeit zeigen wir, dass die Parameterschätzung mithilfe eines inversen physikinformierten neuronalen Netwerks (PINN), welches thermische Parameter und kontinuierliche Temperaturverläufe unter physikalischen Nebenbedingungen gemeinsam schätzt, die Vorhersagegenauigkeit über alle betrachteten Vorhersagehorizonte verbessert und die Variabilität der Vorhersagegenauigkeit zwischen thermischen Modellen reduziert, die auf unterschiedlichen Trainingsdatensätzen identifiziert wurden. Darüber hinaus zeigen wir, dass dieser Ansatz eine vergleichbare Dateneffizienz wie ein gradientenbasiertes Verfahren zur Parameteridentifikation erreicht. Durch die Entkopplung der Temperaturverlaufsapproximation von der Parameterschätzung reagiert das inverse PINN weniger sensitiv auf die Initialisierung der Parameter und ist robuster gegenüber Variationen in den verfügbaren Trainingsdaten. Die Ergebnisse dieser Arbeit legen nahe, dass inverse PINNs eine vielversprechende Methode zur Identifikation der Parameter thermischer Gebäudemodelle in datenlimitierten Szenarien darstellen.
Abstract
(Englisch)
Renewable energy sources impose new challenges on the electricity grid. Due to their intermittent generation, grid stability hinges on the efficient distribution of available electricity. Buildings consume a significant amount of electricity for space conditioning and, given their thermal mass, can maintain comfortable temperature levels even without active conditioning. Consequently, the thermal mass of buildings can be used as energy storage, allowing space-conditioning demand to be shifted toward periods of high renewable generation. This redistribution is constrained by occupant comfort, requiring accurate and physically consistent long-term indoor temperature predictions to evaluate whether candidate redistributions satisfy comfort constraints. Parameter estimation of reduced-order building thermal models is the standard approach for obtaining representations that enable physically consistent temperature predictions. However, due to the constrained operating conditions observed in buildings, temperature dynamics are weakly excited and key influences overlap in time, making it difficult to infer reliable causal relationships. This poses a major challenge for parameter identification, making the identification process itself the limiting factor for robust indoor temperature predictions. Here we show that parameter identification using an inverse physics-informed neural network (PINN), which jointly estimates thermal parameters and continuous temperature trajectories under physical constraints, improves predictive accuracy across all prediction horizons and reduces variability in predictive accuracy across thermal models identified from different training datasets. Moreover, we show that this approach achieves comparable data efficiency to a gradient-based parameter identification procedure. By decoupling trajectory approximation from parameter estimation, the inverse PINN becomes less sensitive to parameter initialization and more robust to variations in the available training data. Our findings suggest that inverse PINNs provide a promising alternative for parameter identification of reduced-order building thermal models in data-limited settings.
Schlagwörter
Schlagwörter
(Deutsch)
Physikinformiertes Maschinelles Lernen Thermische Gebäudemodellierung RC-Modelle Parameteridentifikation
Schlagwörter
(Englisch)
Physics-Informed Machine Learning Building Thermal Modeling Reduced-Order Thermal Models Physics-Informed Machine Learning
Autor*innen
Noah Sippl 
Haupttitel (Englisch)
Robust parameter identification of a reduced-order building thermal model using an inverse physics-informed neural network
Publikationsjahr
2026
Umfangsangabe
x, 74 Seiten : Illustrationen
Sprache
Englisch
Beurteiler*in
Sebastian Tschiatschek
Klassifikationen
50 Technik allgemein > 50.70 Energie. Allgemeines ,
54 Informatik > 54.72 Künstliche Intelligenz
AC Nummer
AC17913035
Utheses ID
81094
Studienkennzahl
UA | 066 | 910 | |