NeuralBES: 확장 가능한 건물 에너지 모델링을 위한 미분 가능하고 제어 인식적인 에뮬레이터

수요 측 유연성(Demand-side flexibility), 즉 주거용 에너지 부하의 예측, 이동 및 삭감은 수백만 개의 이질적인 건물 전반에 걸쳐 신뢰받는 열 모델에 의존합니다. 기존 도구들은 어려운 상충 관계를 강요합니다. EnergyPlus와 같은 고정밀 물리 시뮬레이터는 정확하지만 순차적이며 건물별 보정이 필요하고, 순수하게 데이터 기반의 시퀀스 모델은 확장성이 있지만 예측을 신뢰할 수 있게 만드는 물리적 구조를 포기합니다. 우리는 이러한 상충 관계를 해결하는 미분 가능 에뮬레이터인 NeuralBES (Building Energy Simulation)를 소개합니다. 이는 공유된 신경 인코더를 사용하여 저항-정전 용량(RC) 기반 열 모델을 매개변수화합니다: 층 면적, 건축 연도, HVAC 유형과 같은 정적인 건물 메타데이터는 물리적으로 경계가 지정된 커패시턴스, 컨덕턴스 및 장비 계수로 매핑되며, 이는 로그 공간 병렬 스캔을 통해 해결되는 스칼라 선형 재귀의 계수가 됩니다. 또한 예측기-보정기 루프(predictor--corrector loop)는 열전구 온도 비선형성을 닫으면서 전체 호라이즌 기울기 흐름을 보존합니다. 세 가지 기후 구역에 걸쳐 ResStock 데이터셋으로 훈련된 NeuralBES는 단일 훈련 인코더 내에서 이질적인 건물 아키타입, 건축 연도 및 기후 구역을 처리하는 반면, 블랙박스 기준 모델들은 통계적으로 그럴듯하지만 물리적으로 일관되지 않은 궤적을 생성합니다. 연간 전체 기간 배포(annual full-year rollout)에서 NeuralBES는 동시에 물리적으로 유효하고 가장 강력한 원시 오류 기준선 대비 4 MAPE 포인트 이내로 정확하며, 트랜스포머 및 순환 기준 모델보다 약 한 자릿수 적은 파라미터로 작동하는 유일한 데이터 조건부 모델입니다. 또한 파라미터 동등성에서 물리적으로 유효한 기준 모델 중에서는 그레이박스 RC 대안의 MAPE를 절반 이상 감소시킵니다.