ADAPT: Physics-Aware Diffusion-based World Models for Adaptive Predictive Transferable HVAC Control

📄 arXiv: 2608.19804v1 📥 PDF

作者: Xu Yang, Kailai Sun, Dianyu Zhong, Qianchuan Zhao

分类: cs.AI

发布日期: 2026-08-20

💡 一句话要点

提出ADAPT以解决HVAC控制中的能耗与舒适度问题

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: HVAC控制 能耗优化 舒适度提升 物理感知模型 扩散模型 热惯性 多区域热平衡 强化学习

📋 核心要点

  1. 现有HVAC控制方法受限于隐含的热惯性和动态预测能力，难以在不同季节和气候区域中有效工作。
  2. ADAPT通过物理感知的条件扩散模型，捕捉建筑的热惯性，并使用可学习的多区域热平衡正则化器来约束生成轨迹。
  3. 实验结果显示，ADAPT在IID控制下能耗降低7.3%，居住者不适感降低30.2%，在OOD场景中保持了良好的性能。

📝 摘要（中文）

建筑物约占全球能源消耗和二氧化碳排放的三分之一。优化室内气候系统对于实现联合国可持续发展目标11和13至关重要。然而，现有方法受到室内热动力学响应延迟和部分可观测性的严重制约，特别是在分布外环境中。为了解决这一问题，本文提出了ADAPT，一种物理感知的条件扩散室内环境世界模型，用于HVAC控制。该模型通过预测短期热基线来捕捉建筑的潜在热惯性，并利用生成模型的鲁棒性。实验结果表明，ADAPT在IID控制下能耗降低7.3%，居住者不适感降低30.2%。在OOD控制场景中，ADAPT表现出良好的鲁棒性，显著优于现有方法。

🔬 方法详解

问题定义：本文旨在解决HVAC控制中由于室内热动力学响应延迟和部分可观测性导致的能耗和舒适度问题。现有方法在处理不同季节和气候区域时表现不佳，受到热惯性和动态预测的限制。

核心思路：ADAPT模型通过物理感知的条件扩散方法，预测短期热基线以捕捉建筑的潜在热惯性。该方法利用生成模型的鲁棒性，同时引入可学习的多区域热平衡正则化器，确保生成的轨迹符合建筑热力学特性。

技术框架：ADAPT的整体架构包括数据收集、模型训练和控制策略生成三个主要模块。首先，通过有限的数据进行模型训练，然后利用训练好的模型进行HVAC控制策略的生成。

关键创新：ADAPT的主要创新在于引入了物理感知的条件扩散模型和可学习的热平衡正则化器，这使得模型能够在缺乏建筑几何信息和手动校准参数的情况下，依然保持良好的性能。

关键设计：在模型设计中，采用了短期热基线预测作为损失函数的一部分，并通过正则化器约束生成的热轨迹。此外，模型的网络结构经过精心设计，以确保其在不同环境下的适应性和鲁棒性。

🖼️ 关键图片

img_0
img_1
img_2

📊 实验亮点

实验结果显示，ADAPT在IID控制下能耗降低7.3%，居住者不适感降低30.2%。在OOD控制场景中，ADAPT的性能仅有轻微下降，显著优于现有方法，展示了其在转移鲁棒性方面的优势。

🎯 应用场景

ADAPT模型在HVAC控制领域具有广泛的应用潜力，能够有效降低建筑能耗并提升居住者的舒适度。其物理感知的特性使得该模型能够在不同的气候条件和季节中保持稳定的性能，未来可推广至智能建筑和城市气候管理等领域。

📄 摘要（原文）

Buildings account for roughly one-third of global energy consumption and CO$_2$ emissions. Optimizing indoor climate systems plays a critical role for urban climate mitigation aligned with UN Sustainable Development Goals 11 and 13. However, indoor delayed thermodynamic responses and partial observability severely hinder existing methods, which are primarily limited by implicit thermal inertia, occupancy dynamic prediction, and cumulative prediction errors, especially for out-of-distribution environments. In practice, these challenges are further exacerbated by the high cost and privacy burden of dense indoor sensing, forcing operators to collect only limited data in a single operating regime while expecting controllers to generalize reliably across unseen seasons and climate regions. To address this problem, we propose ADAPT, a physics-aware conditional diffusion indoor environmental world model for HVAC control. The model predicts a short-horizon held-action thermal baseline to capture the latent thermal inertia of the buildings. The diffusion backbone utilizes the robustness of generative models, while a learnable multi-zone heat-balance regularizer constrains generated trajectories to satisfy transferable building thermodynamics without requiring known building geometry or manually calibrated thermal parameters. A credit assignment is then design for the downstream reinforcement learning. Extensive experiments on SemibuildingSim and Sinergym demonstrate that ADAPT reduces HVAC energy consumption by 7.3\% and occupant discomfort by 30.2\% compared with state-of-the-art baselines under IID control. Under OOD control scenarios spanning unseen seasons and climate regions, ADAPT maintains robust performance with only marginal degradation relative to its IID performance, substantially outperforming existing methods in transfer robustness.