Beyond correlation: A causality-driven model for indoor temperature control

doi:10.1016/j.enbuild.2025.115739

2025-07-01

PRE

Jeeye Mun

Jeeye Mun *

DOI：10.1016/j.enbuild.2025.115739

原文链接

原文求助

摘要

En 中文

近期数据可用性和计算资源的进步推动了机器学习（ML）在面向控制的建筑模拟中的广泛应用。为建立建筑系统中的动态关系，许多机器学习模型（包括人工神经网络（ANNs））依赖于输入与输出变量之间的统计关联（即相关性）。然而，这些方法往往在陌生条件下无法提供可靠的预测。本研究指出，此类相关性方法可能错误解释现实数据集中的混淆因素和运行偏差，导致对建筑系统底层机制的误表征。为解决此问题，本研究提出了一种新颖的因果驱动建模框架，应用于配备热泵（HP）冷却系统的38.5 m²办公室空间。该模型估算HP冷却设定温度（SET）对室内空气温度（IAT）的异质性处理效应（HTE），在变化控制条件下生成IAT的反事实结果，并针对不同HP控制生成反事实IAT结果。为达成此目标，研究收集了28天内的室外气象、室内环境及HP运行数据。采用双重机器学习（DML）以减轻数据集偏差并分离控制与其结果的因果关系。在此框架中，IAT被视为结果变量，SET为处理变量，室外空气温度、太阳辐射及前期热条件（如送风温度）被纳入关键混淆因素。基于因果关系的DML模型优于基于相关性的ANN模型，两者均使用相同数据集开发。DML模型展现出在变化控制条件下捕捉因果机制的卓越能力，与物理原理和实际运行行为高度一致。其有效性进一步由HTE对IAT的统计显著p值（0.048）支持。相比之下，尽管ANN模型在IAT预测中实现了低MSE（0.19摄氏度），但在陌生控制选项下常无法保持物理一致性。这些发现强调了从相关性驱动转向因果性驱动方法对于基于真实因果机制开发可靠且可扩展建筑控制系统的重要性。

Keyword:

Heat pump

Model predictive control

Causality

Correlation

Confounding effect

Heterogenous treatment effect

Double machine learning