What does this research mean for the field?

Transfer learning methods can accurately predict building energy performance and occupant thermal comfort across diverse climates using only 1% of local data. Novelty: ClaimNovelty.NOVEL_FINDING. Consensus alignment: ConsensusAlignment.NEUTRAL.

What question did this study set out to answer?

मुख्य उद्देश्य यह आकलन करना है कि स्थानांतरण शिक्षण विभिन्न जलवायु और भवन प्रकारों में ऊर्जा प्रदर्शन और उपयोगकर्ता के तापीय आराम की भविष्यवाणी को कैसे सुधार सकता है।

March 3, 2026Open Access

स्थानांतरण शिक्षण द्वारा विभिन्न जलवायु और भवन प्रकारों में भवन ऊर्जा प्रदर्शन और उपयोगकर्ता की तापीय आराम भविष्यवाणी में सुधार ताकि डेटा की कमी की चुनौती को संबोधित किया जा सके

Key Points

मुख्य उद्देश्य यह आकलन करना है कि स्थानांतरण शिक्षण विभिन्न जलवायु और भवन प्रकारों में ऊर्जा प्रदर्शन और उपयोगकर्ता के तापीय आराम की भविष्यवाणी को कैसे सुधार सकता है।
चार स्थानांतरण शिक्षण तकनीकों का मूल्यांकन किया गया: इंस्टेंस-आधारित, डोमेन अनुकूलन, पैरामीटर-आधारित, और एंसेंबल-आधारित।
फीडफॉरवर्ड न्यूरल नेटवर्क (FNN), एक्सट्रीम ग्रेडिएंट बूस्टिंग (XGB), और ग्रेडिएंट बूस्टिंग मशीन (GBM) को एकीकृत करते हुए एक हाइब्रिड स्टैक्ड मॉडल विकसित किया गया।
EnergyPlus सिम्युलेशनों के डेटासेट पर प्रशिक्षण दिया गया जिसमें कई यूके भवन प्रकार शामिल थे, और फिर पंद्रह शहरों के अज्ञात परिदृश्यों पर परीक्षण किया गया।
मूल्यांकन के लिए लक्षित जलवायु से केवल 1% स्थानीय डेटा का उपयोग किया गया।
सभी जलवायु प्रकारों में शून्य-शॉट बेसलाइन का औसत R² 0.718 प्राप्त किया गया।
इंस्टेंस-आधारित और डोमेन अनुकूलन विधियों ने क्रमशः 2.6% और 10.1% द्वारा पूर्वानुमान सटीकता में सुधार किया।
पैरामीटर फाइन-ट्यूनिंग ने सटीकता को 90% से ऊपर बढ़ाया, जबकि एंसेंबल विधियों ने 93% तक पहुंचाया।
मिनिमल स्थानीय डेटा का उपयोग करते हुए विभिन्न जलवायु में सफल पूर्वानुमान प्रदर्शित किए गए।

Abstract

• स्टैक्ड FNN–XGB–GBM जलवायु के अनुसार ऊर्जा उपयोग, हीटिंग और तापीय आराम का पूर्वानुमान लगाता है • डेटा की कमी के तहत एक संमिलित फ्रेमवर्क में स्थानांतरण शिक्षण विधियों का मूल्यांकन किया गया • दो-स्तरीय एंसेंबल अवशिष्ट स्थानांतरण न्यूनतम डेटा के साथ नई जलवायु के अनुसार समायोजित होता है • स्रोत जलवायु और 1% स्थानीय डेटा का उपयोग करते हुए 15 यूके शहरों में उच्च सटीकता पूर्वानुमान • फ्रेमवर्क स्केलेबल, डेटा-कुशल रिट्रोफिट और जलवायु-प्रतिरोधी विश्लेषण सक्षम करता है भवन ऊर्जा प्रदर्शन की सटीक भविष्यवाणी ऊर्जा दक्षता, रिट्रोफिट योजना और उपयोगकर्ता आराम के लिए आवश्यक है, हालांकि पारंपरिक डेटा-संचालित मॉडलिंग तकनीकें विभिन्न जलवायु या क्षेत्रों में डेटा की कमी और वितरण में भिन्नताओं के कारण अक्सर संघर्ष करती हैं। स्थानांतरण शिक्षण (TL) एक आशाजनक समाधान प्रदान करता है जो डेटा-समृद्ध स्रोत डोमेन से डेटा-कमी वाले लक्ष्यों तक ज्ञान पुन: उपयोग को सक्षम बनाता है और व्यापक स्थानीय डेटा संग्रह की आवश्यकता को कम करता है। इस संभावन का अध्ययन करने के लिए, इस अध्ययन में चार TL तकनीकों का मूल्यांकन किया गया है जिनमें इंस्टेंस-आधारित, डोमेन अनुकूलन, पैरामीटर-आधारित और एंसेंबल-आधारित शामिल हैं, जो एक हाइब्रिड स्टैक्ड मॉडल में एकीकृत हैं जो फीडफॉरवर्ड न्यूरल नेटवर्क (FNN), एक्सट्रीम ग्रेडिएंट बूस्टिंग (XGB), और ग्रेडिएंट बूस्टिंग मशीन (GBM) मेटा-लर्नर को सम्मिलित करता है। प्रस्तावित फ्रेमवर्क को लंदन के लिए 11,000 EnergyPlus सिम्युलेशनों के उच्च-विश्वसनीयता वाले डेटासेट पर प्रशिक्षित किया गया, जो यूके के अलग-अलग आवासीय भवन टाइपोलॉजीज को दर्शाता है जैसे कि डिटैच्ड, सेमी-डिटैच्ड, अटैच्ड, और अपार्टमेंट, जिसमें दीवार, छत, खिड़की, और फर्श निर्माण, उपयोग पैटर्न, फर्श क्षेत्र और ऊंचाई, खिड़की से दीवार अनुपात, और इन्फिल्ट्रेशन दर में व्यवस्थित भिन्नताएं हैं। फिर इसे पंद्रह अन्य यूके शहरों के 1,000 अज्ञात परिदृश्यों पर परीक्षण किया गया। TL के मूल्यांकन से पता चलता है कि कैसे लंदन-प्रशिक्षित AI मॉडल को केवल 1% स्थानीय डेटा पॉइंट्स के साथ पंद्रह विविध यूके शहरों में अनुकूलित किया जा सकता है और डेटा की कमी के तहत भवन ऊर्जा भविष्यवाणी के लिए बड़े पैमाने पर क्रॉस-क्लाइमेट मूल्यांकन फ्रेमवर्क स्थापित करता है। ज़ीरो-शॉट बेसलाइन ने सभी जलवायु में औसत R² 0.718 प्राप्त किया। इंस्टेंस-आधारित और डोमेन अनुकूलन ने नई जलवायु में पूर्वानुमान सटीकता को क्रमशः 2.6% और 10.1% बढ़ाया, विशेष रूप से उन शहरों में जिनकी जलवायु विशेषताएं लंदन से भिन्न थीं। पैरामीटर-आधारित फाइन-ट्यूनिंग ने सटीकता 90% से ऊपर बढ़ाई, जबकि एंसेंबल-आधारित ने 93% तक पहुंचाई। यह अध्ययन विभिन्न जलवायु में ऊर्जा इस्तेमाल, हीटिंग मांग, और तापीय आराम की सटीक, स्केलेबल, और लागत-कुशल भविष्यवाणी को प्रदर्शित करता है, भले ही मॉडल मुख्य रूप से एकल शहर पर प्रशिक्षित हो और फिर केवल 1% लक्षित डोमेन डेटा पर अन्य शहरों में हस्तांतरित हो। जलवायु और भवनों के बीच मॉडल स्थानांतरण की यह क्षमता ऊर्जा रिट्रोफिट योजना, क्षेत्रों में जलवायु प्रत्यय पदार्थों को मजबूत करने, और संयुक्त राष्ट्र सतत विकास लक्ष्य (SDG 7) के अनुरूप किफायती, स्वच्छ, और ऊर्जा-कुशल भवन प्रथाओं को बढ़ावा देने के लिए व्यावहारिक मार्ग प्रदान करती है।

Key Points

Abstract

Cite This Study