The strict comfort requirements against adverse weather conditions and the concurrent strong push towards energy efficiency in buildings require highly accurate thermal models to train and implement advanced control strategies. However, model-driven approaches rely on accurate mathematical models, that often are time-consuming to develop and difficult to generalize for different buildings, whereas purely data-driven methodologies frequently lack physical consistency, struggle to capture slow, high-inertia capacitive ther- mal dynamics, suffer the same generalization problem, and last but not least require a huge amount of data to be carefully tuned. The specific objective of this Thesis is to design a new methodology based on a universal model capable of adequately represent- ing the thermodynamic behavior of a parameterized wide set of buildings, thus providing an efficient environment for training advanced controllers - both model-based and data- driven ones - for the whole set of buildings under data scarcity conditions. The innovative model proposed and designed in this Thesis, denoted as zPINN, represents a powerful generalization of the more-known Physics-Informed Neural Networks (PINN), which are hybrid models based on a suitable combination of neural networks and analytical mod- els governed by differential equations. To achieve this goal, the framework relies on the introduction of a novel input for PINNs, namely a latent variable z, which acts as the thermodynamic "identity card" of each environment (hence the name “zPINN”). During the offline training phase, which is model-driven and based on simplified control-oriented models, an Autoencoder architecture generates the latent variable z starting from ex- plicit structural variables, i.e., the physical parameters of the model. For the deployment phase, the latent variable z is directly estimated from the measured thermal trajectories through an Adapter module based on an LSTM (Long Short-Term Memory) architec- ture, so endowing the whole approach with strong adaptation capabilities. The zPINN itself is also based on an LSTM neural network to ensure adequate modeling of long-term dynamics. To evaluate the performance of the proposed architecture, a massive data generation campaign is conducted based on measurements from a real building (Power- FlexHouse3) fully equipped with remote sensors and actuation systems, managed by the Technical University of Denmark (DTU). The zPINN is trained on datasets comprising up to 10,000 distinct virtual building configurations, adopting a temporal windowing strat- egy to balance the accuracy of short and long-term transients. The results demonstrate that the recurrent zPINN successfully overcomes the gradient pathologies and memory limitations of classical memoryless PINNs. By conditioning the physical predictions on the latent variable z, the network accurately captures the diverse dynamics of the entire set of buildings, avoiding overfitting on a single environment. Finally, two different types of controllers are developed using the proposed framework under the assumption of data scarcity, the first one based recurrent Neural Networks and the second one based on MPC with zPINN as internal prediction model. Both are compared with a standard MPC based on a simplified control-oriented analytical model. The vast validation campaign proves the efficiency of the overall approach and specifically the accuracy for real-world applications with limited initial knowledge on the building and with commissioning and tuning times in the order of a few days.

I rigidi requisiti di comfort rispetto alle avverse condizioni meteorologiche e la contestuale forte spinta verso l’efficienza energetica negli edifici richiedono modelli termici altamente accurati per addestrare e implementare strategie di controllo avanzate. Tuttavia, gli approcci basati su modelli (model-driven) si affidano a modelli matematici accurati che spesso richiedono molto tempo per essere sviluppati e risultano difficili da generalizzare per edifici diversi; d’altro canto, le metodologie puramente basate sui dati (data-driven) spesso mancano di coerenza fisica, faticano a catturare le dinamiche termiche capacitive lente e ad alta inerzia, soffrono del medesimo problema di generalizzazione e, non da ultimo, richiedono un’enorme quantità di dati per essere accuratamente tarate. L’obiettivo speci- fico di questa Tesi è progettare una nuova metodologia basata su un modello universale capace di rappresentare adeguatamente il comportamento termodinamico di un ampio in- sieme parametrizzato di edifici, fornendo così un ambiente efficiente per l’addestramento di controllori avanzati – sia model-based che data-driven – per l’intero insieme di ed- ifici in condizioni di scarsità di dati. Il modello innovativo proposto e progettato in questa Tesi, denominato zPINN, rappresenta una potente generalizzazione delle più note Physics-Informed Neural Networks (PINN), ovvero modelli ibridi basati su un’opportuna combinazione di reti neurali e modelli analitici governati da equazioni differenziali. Per raggiungere questo scopo, il framework si basa sull’introduzione di un nuovo ingresso per le reti PINN, ovvero una variabile latente z, che funge da "carta d’identità" termodinam- ica di ciascun ambiente (da qui il nome "zPINN"). Durante la fase di addestramento offline, che è guidata dal modello (model-driven) e basata su modelli semplificati orientati al controllo (control-oriented), un’architettura Autoencoder genera la variabile latente z a partire da variabili strutturali esplicite, ovvero i parametri fisici del modello. Per la fase di deployment, la variabile latente z viene stimata direttamente dalle traiettorie termiche misurate tramite un modulo Adapter basato su un’architettura LSTM (Long Short-Term Memory), dotando così l’intero approccio di forti capacità di adattamento. Anche la stessa rete zPINN è basata su una rete neurale LSTM per garantire un’adeguata modellazione delle dinamiche a lungo termine. Per valutare le prestazioni dell’architettura proposta, viene condotta una massiccia campagna di generazione dati basata sulle misurazioni di un edificio reale (PowerFlexHouse3) completamente equipaggiato con sensori remoti e sistemi di attuazione, gestito dalla Technical University of Denmark (DTU). La zPINN viene addestrata su dataset composti fino a 10.000 configurazioni di edifici virtuali distinti, adottando una strategia di finestratura temporale (temporal windowing) per bilanciare l’accuratezza dei transitori a breve e a lungo termine. I risultati dimostrano che la zPINN ricorrente supera con successo le patologie del gradiente e le limitazioni di memoria tipiche delle classiche PINN senza memoria (memoryless). Condizionando le predizioni fisiche alla variabile latente z, la rete cattura accuratamente le diverse dinamiche dell’intera famiglia di edifici, evitando l’overfitting su un singolo ambiente. Infine, due diverse tipologie di controllori sono progettate basandosi sul modello zPINN specializzato ottenuto per lo sce- nario reale; questi hanno mostrato un elevato tracciamento del setpoint (setpoint tracking) e ottime prestazioni energetiche, dimostrando l’efficienza e l’accuratezza del framework proposto, anche sotto l’ipotesi di scarsità di dati, per applicazioni nel mondo reale con tempi di commissioning e taratura dell’ordine di pochi giorni.

Physics-informed neural networks with meta-learning : for building temperature control under parametric uncertainties

Cantele, Alberto;GANGEMI, SIMONE
2025/2026

Abstract

The strict comfort requirements against adverse weather conditions and the concurrent strong push towards energy efficiency in buildings require highly accurate thermal models to train and implement advanced control strategies. However, model-driven approaches rely on accurate mathematical models, that often are time-consuming to develop and difficult to generalize for different buildings, whereas purely data-driven methodologies frequently lack physical consistency, struggle to capture slow, high-inertia capacitive ther- mal dynamics, suffer the same generalization problem, and last but not least require a huge amount of data to be carefully tuned. The specific objective of this Thesis is to design a new methodology based on a universal model capable of adequately represent- ing the thermodynamic behavior of a parameterized wide set of buildings, thus providing an efficient environment for training advanced controllers - both model-based and data- driven ones - for the whole set of buildings under data scarcity conditions. The innovative model proposed and designed in this Thesis, denoted as zPINN, represents a powerful generalization of the more-known Physics-Informed Neural Networks (PINN), which are hybrid models based on a suitable combination of neural networks and analytical mod- els governed by differential equations. To achieve this goal, the framework relies on the introduction of a novel input for PINNs, namely a latent variable z, which acts as the thermodynamic "identity card" of each environment (hence the name “zPINN”). During the offline training phase, which is model-driven and based on simplified control-oriented models, an Autoencoder architecture generates the latent variable z starting from ex- plicit structural variables, i.e., the physical parameters of the model. For the deployment phase, the latent variable z is directly estimated from the measured thermal trajectories through an Adapter module based on an LSTM (Long Short-Term Memory) architec- ture, so endowing the whole approach with strong adaptation capabilities. The zPINN itself is also based on an LSTM neural network to ensure adequate modeling of long-term dynamics. To evaluate the performance of the proposed architecture, a massive data generation campaign is conducted based on measurements from a real building (Power- FlexHouse3) fully equipped with remote sensors and actuation systems, managed by the Technical University of Denmark (DTU). The zPINN is trained on datasets comprising up to 10,000 distinct virtual building configurations, adopting a temporal windowing strat- egy to balance the accuracy of short and long-term transients. The results demonstrate that the recurrent zPINN successfully overcomes the gradient pathologies and memory limitations of classical memoryless PINNs. By conditioning the physical predictions on the latent variable z, the network accurately captures the diverse dynamics of the entire set of buildings, avoiding overfitting on a single environment. Finally, two different types of controllers are developed using the proposed framework under the assumption of data scarcity, the first one based recurrent Neural Networks and the second one based on MPC with zPINN as internal prediction model. Both are compared with a standard MPC based on a simplified control-oriented analytical model. The vast validation campaign proves the efficiency of the overall approach and specifically the accuracy for real-world applications with limited initial knowledge on the building and with commissioning and tuning times in the order of a few days.
ING - Scuola di Ingegneria Industriale e dell'Informazione
22-lug-2026
2025/2026
I rigidi requisiti di comfort rispetto alle avverse condizioni meteorologiche e la contestuale forte spinta verso l’efficienza energetica negli edifici richiedono modelli termici altamente accurati per addestrare e implementare strategie di controllo avanzate. Tuttavia, gli approcci basati su modelli (model-driven) si affidano a modelli matematici accurati che spesso richiedono molto tempo per essere sviluppati e risultano difficili da generalizzare per edifici diversi; d’altro canto, le metodologie puramente basate sui dati (data-driven) spesso mancano di coerenza fisica, faticano a catturare le dinamiche termiche capacitive lente e ad alta inerzia, soffrono del medesimo problema di generalizzazione e, non da ultimo, richiedono un’enorme quantità di dati per essere accuratamente tarate. L’obiettivo speci- fico di questa Tesi è progettare una nuova metodologia basata su un modello universale capace di rappresentare adeguatamente il comportamento termodinamico di un ampio in- sieme parametrizzato di edifici, fornendo così un ambiente efficiente per l’addestramento di controllori avanzati – sia model-based che data-driven – per l’intero insieme di ed- ifici in condizioni di scarsità di dati. Il modello innovativo proposto e progettato in questa Tesi, denominato zPINN, rappresenta una potente generalizzazione delle più note Physics-Informed Neural Networks (PINN), ovvero modelli ibridi basati su un’opportuna combinazione di reti neurali e modelli analitici governati da equazioni differenziali. Per raggiungere questo scopo, il framework si basa sull’introduzione di un nuovo ingresso per le reti PINN, ovvero una variabile latente z, che funge da "carta d’identità" termodinam- ica di ciascun ambiente (da qui il nome "zPINN"). Durante la fase di addestramento offline, che è guidata dal modello (model-driven) e basata su modelli semplificati orientati al controllo (control-oriented), un’architettura Autoencoder genera la variabile latente z a partire da variabili strutturali esplicite, ovvero i parametri fisici del modello. Per la fase di deployment, la variabile latente z viene stimata direttamente dalle traiettorie termiche misurate tramite un modulo Adapter basato su un’architettura LSTM (Long Short-Term Memory), dotando così l’intero approccio di forti capacità di adattamento. Anche la stessa rete zPINN è basata su una rete neurale LSTM per garantire un’adeguata modellazione delle dinamiche a lungo termine. Per valutare le prestazioni dell’architettura proposta, viene condotta una massiccia campagna di generazione dati basata sulle misurazioni di un edificio reale (PowerFlexHouse3) completamente equipaggiato con sensori remoti e sistemi di attuazione, gestito dalla Technical University of Denmark (DTU). La zPINN viene addestrata su dataset composti fino a 10.000 configurazioni di edifici virtuali distinti, adottando una strategia di finestratura temporale (temporal windowing) per bilanciare l’accuratezza dei transitori a breve e a lungo termine. I risultati dimostrano che la zPINN ricorrente supera con successo le patologie del gradiente e le limitazioni di memoria tipiche delle classiche PINN senza memoria (memoryless). Condizionando le predizioni fisiche alla variabile latente z, la rete cattura accuratamente le diverse dinamiche dell’intera famiglia di edifici, evitando l’overfitting su un singolo ambiente. Infine, due diverse tipologie di controllori sono progettate basandosi sul modello zPINN specializzato ottenuto per lo sce- nario reale; questi hanno mostrato un elevato tracciamento del setpoint (setpoint tracking) e ottime prestazioni energetiche, dimostrando l’efficienza e l’accuratezza del framework proposto, anche sotto l’ipotesi di scarsità di dati, per applicazioni nel mondo reale con tempi di commissioning e taratura dell’ordine di pochi giorni.
File allegati
File Dimensione Formato  
Executive Summary finale.pdf

non accessibile

Dimensione 2.7 MB
Formato Adobe PDF
2.7 MB Adobe PDF   Visualizza/Apri
Tesi latex finale.pdf

non accessibile

Dimensione 12.18 MB
Formato Adobe PDF
12.18 MB Adobe PDF   Visualizza/Apri

I documenti in POLITesi sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.

Utilizza questo identificativo per citare o creare un link a questo documento: https://hdl.handle.net/10589/260719