这篇文档属于类型a，即报告了一项原创性研究。以下是详细的学术报告：

基于RAFT-VG生成网络的建筑仿真真实场景合成研究

作者及机构
本研究由Ankush Chakrabarty（通讯作者）领衔，团队成员来自三菱电机研究实验室（美国）、伦斯勒理工学院（美国）、麻省理工学院（美国）、三菱电机株式会社（日本）及俄亥俄州立大学（美国）。研究成果发表于学术期刊《Building Simulation》（2025年，卷18，页码2115–2133），DOI编号10.1007/s12273-025-1260-8。

学术背景
研究领域聚焦于以乘员为中心的建筑能源建模（Occupant-Centric Building Energy Modeling, BEM）。传统建筑仿真模型虽能准确预测热动力学，但对乘员行为及能源使用模式的建模仍依赖有限的“名义场景”或人工设计场景，导致评估偏差。为解决这一挑战，本研究提出利用深度生成模型从真实建筑数据中学习，自动合成多样化场景，以支持建筑性能的鲁棒性评估。

研究目标包括：
1. 开发基于RAFT-VG（正则化对抗微调变分生成对抗网络）的时序生成网络，合成乘员占用、热负荷及环境条件等多维信号；
2. 实现生成模型与Modelica仿真平台的无缝集成，支持闭环性能评估；
3. 验证生成场景在HVAC系统性能监控及极限场景识别中的应用价值。

研究流程与方法
1. 数据收集与预处理
- 数据来源：日本Sustie商业办公楼连续20个月的传感器数据，涵盖占用率、设备能耗、照明功率等12类信号。
- 预处理：缺失值线性插补、1分钟采样率同步、15分钟下采样，并按中位数缩放（温度/10，功率/1000或100）。
- 条件输入：区域编号（3个办公区）及日期类型（工作日/假日），数据张量重构为1800×96×4（样本×时间步×信号）。

1. RAFT-VG模型构建

   • 两阶段训练：
     
     • 阶段1（VAE训练）：编码器将输入映射至8维潜在空间（远低于常规的32~128维），解码器重构信号；损失函数为证据下界（ELBO），含KL散度项。
       
     • 阶段2（对抗微调）：引入谱归一化Wasserstein GAN鉴别器，通过正则化约束解码器参数变化，提升生成质量。
       
   • 架构细节：
     
     • 编码器：5层全连接（256→256→256→128→64），LeakyReLU激活。
       
     • 解码器：5层全连接（64→64→128→128→256），ELU激活，输出层Softmax确保非负性。
       
     • 鉴别器：4层全连接+谱归一化，输出标量判别分数。

2. Modelica集成

   • 需求设计：
     
     • R1-R3：C语言实现解码器，降低计算开销；参数存储为二进制文件（*.bin）。
       
     • R4-R6：通过Modelica自定义块调用外部C函数，生成信号驱动CombiTimeTable（15分钟分辨率）。
       
   • 实现示例：
     
     • 使用Python脚本自动化Dymola仿真，调整条件输入（如区域编号）批量生成场景。
       
     • 随机向量通过Box-Muller变换生成高斯分布，输入解码器合成信号。

3. 实验结果与分析

   • 生成质量验证：
     
     • 夏季与冬季场景对比显示，RAFT-VG准确捕获午餐时间占用率下降、季节性湿度差异（夏季>65%，冬季<50%）及光照时长影响（图5-6）。
       
     • 潜在空间标准差（σ）调控生成多样性：σ=1时置信区间最窄，σ=5时生成极端场景（如深夜非零占用）（图7）。
       
   • 性能对比：
     
     • 与Doppelganger等TSGN模型相比，RAFT-VG-8在NRMSE（0.12 vs. 0.18）、JS散度（0.21 vs. 0.29）指标上表现更优（表1），且低维潜在空间（nz=8）未显著损害保真度。
       
   • 应用案例：
     
     • HVAC性能监控：生成场景暴露出标称场景未检测到的温度违规（如t=250h制冷不足），揭示设备尺寸缺陷（图10）。
       
     • 极限场景识别：贝叶斯潜在采样自动发现联合影响Bestest 680（低热质量）和900（高热质量）的极端能源表现场景。

研究结论与价值
1. 科学价值：
- 提出首个将深度生成模型（RAFT-VG）与Modelica集成的框架，解决了建筑仿真中场景多样性与实现复杂性的矛盾。
- 证明了低维潜在空间（nz=8）在保持生成质量的同时，显著降低下游集成难度。

1. 应用价值：
   
   • 设计优化：生成场景可替代人工设计，加速HVAC系统鲁棒性验证。
     
   • 性能诊断：自动识别极限场景，辅助设备容量规划与控制策略调整。
     

研究亮点
- 方法创新：结合VAE的稳定训练与GAN的生成优势，通过正则化对抗微调平衡二者。
- 工程友好性：解码器C语言实现、8维潜在空间等设计，专为Modelica集成优化。
- 数据驱动：基于真实建筑数据（Sustie），覆盖多区域、多季节的动态模式。

其他价值
- 开源Modelica模块（GitHub）及训练代码，推动建筑-控制-AI跨学科研究。
- 为数字孪生中的不确定性建模提供新范式。