核心发现
方法论
本文提出结合扩散模型与物理正则化的IEWM，用于预测建筑内部热基线。模型通过条件扩散机制，生成符合热力学规律的未来轨迹，避免对建筑几何参数的依赖。利用多区热平衡正则化，确保生成轨迹满足传递性热动力学。训练包括扩散去噪目标和物理正则项，提升模型在不同季节和气候区域的泛化能力。下游结合强化学习，利用预测基线进行延迟奖励归因，实现高效控制。实验在SemiBuildingSim和Sinergym环境中验证，能耗降低7.3%， occupant不适感降低30.2%，在跨季节和跨气候迁移中表现出优异鲁棒性。
关键结果
- 在IID环境下，ADAPT相比最先进的基线模型，能耗降低7.3%， occupant不适感降低30.2%，显著优于传统模型。扩散模型在预测热基线方面表现优异，误差指标（如CVRMSE）优于对比方法。
- 在跨季节（夏冬）和跨气候（瑞典斯德哥尔摩与美国亚利桑那）迁移任务中，ADAPT仅有微弱性能下降，明显优于纯数据驱动模型，验证其传递性强和泛化能力。
- 引入物理正则化显著改善模型的物理一致性和预测稳定性，减少季节性偏差，增强模型在不同环境中的适应性。
研究意义
该研究突破了建筑能耗优化中对复杂热动力学建模的限制，提出的物理感知扩散模型实现了高精度、强鲁棒性的室内环境预测，为智能建筑节能和 occupant舒适度提升提供了新思路。其跨季节、跨区域的迁移能力，极大推动了HVAC系统的智能化和普适性，符合可持续发展目标，具有广泛的工业应用潜力。
技术贡献
技术创新在于结合条件扩散模型与多区热平衡正则化，显著提升模型的物理一致性和迁移能力。提出的正则化机制无需手工校准建筑参数，自动学习热传递系数，增强模型的泛化能力。模型在强化学习中作为环境世界模型，支持延迟奖励归因，改善控制策略的样本效率和鲁棒性。该方法在理论上提供了扩散模型在控制任务中的新应用框架，拓展了生成模型在能控系统中的应用边界。
新颖性
本研究首次将条件扩散模型应用于建筑室内热动力学建模，结合多区热平衡正则化实现物理一致性，突破了传统数据驱动模型对环境变化的敏感性。不同于现有的深度强化学习方法依赖隐式状态，本文显式预测热基线，增强了模型的可解释性和迁移能力。这一创新为HVAC控制提供了全新的建模思路，具有重要的学术和工业价值。
局限性
- 模型训练依赖大量高质量的历史数据，数据获取成本较高，实际部署时可能面临数据不足的问题。
- 扩散模型的推理过程计算成本较大，实时控制场景中需要优化推理速度。
- 正则化机制虽提升物理一致性，但在极端气候或特殊建筑结构中仍可能存在偏差，未来需结合更多物理参数进行优化。
未来方向
未来将探索多模态数据融合，提升模型对突发事件的响应能力；同时，结合边缘计算优化推理速度，推动模型在实际智能建筑中的部署。此外，将扩展模型以支持多目标优化，如能耗与 occupant满意度的平衡，进一步实现智能化、个性化的HVAC控制。
AI 总览摘要
随着城市化进程加快，建筑能耗已成为全球能源消耗和碳排放的主要来源。传统HVAC控制方法面临热动力学延迟、部分观测和环境变化带来的挑战，难以实现高效、鲁棒的调控。本文提出了ADAPT，一种结合物理感知扩散模型的室内环境世界模型，旨在提升建筑能耗优化的泛化能力。该模型通过条件扩散机制预测未来热基线，捕获建筑的潜在热惯性，并引入多区热平衡正则化，确保生成轨迹符合热力学规律，无需手工校准参数。训练过程中，模型同时优化扩散去噪目标和物理正则项，增强模型的物理一致性和迁移能力。实验结果显示，在SemiBuildingSim和Sinergym环境中，ADAPT在节能和 occupant舒适度方面均优于现有最先进方法，能耗降低7.3%， occupant不适感降低30.2%。更重要的是，模型在跨季节和跨气候迁移中表现出极强的鲁棒性，仅有微弱性能下降，显著优于传统数据驱动模型。这一突破为智能建筑节能提供了新思路，推动HVAC系统的智能化和普适化发展。未来，结合多模态数据和边缘计算，将进一步优化模型的实时性和适应性，助力建筑行业迈向绿色、智能的未来。
深度分析
研究背景
建筑能源消耗占全球能源的三分之一，HVAC系统是主要贡献者。传统控制方法如模型预测控制（MPC）和深度强化学习（DRL）在应对热惯性和环境变化方面存在局限。近年来，基于生成模型的长时序预测技术逐渐兴起，PETS、Dreamer等在机器人和AI领域取得突破，但在建筑能控中仍未充分利用。建筑热动力学的复杂性、部分观测和环境迁移带来巨大挑战，亟需结合物理知识的鲁棒模型。
核心问题
核心问题在于建筑热系统的延迟响应和部分观测，导致传统模型难以准确预测未来状态，尤其在环境变化和迁移场景中表现不佳。现有方法多依赖手工校准参数或统计相关性，缺乏物理一致性，导致泛化能力不足。如何建立一个既能捕获潜在热惯性，又能适应不同环境的模型，是实现高效、鲁棒HVAC控制的关键。
核心创新
提出结合条件扩散模型和多区热平衡正则化的IEWM，创新点在于：1）利用扩散模型的生成能力，预测符合热力学规律的未来轨迹；2）引入无须手工校准的物理正则，确保模型输出的热动力学合理性；3）支持跨季节、跨区域迁移，显著提升模型的泛化能力。这些创新突破了传统数据驱动方法的局限，为建筑能控带来新的解决方案。
方法详解
- �� 构建部分可观测的POMDP模型，定义状态、观测、动作空间。
- �� 设计条件扩散模型，输入历史轨迹和未来控制序列，生成未来热基线。
- �� 采用多区热平衡正则化，模型学习区间传热系数，确保轨迹符合物理规律。
- �� 训练包括扩散去噪目标、物理正则和参数识别，提升模型物理一致性。
- �� 在强化学习中，利用预测基线支持延迟奖励归因，优化控制策略。
实验设计
使用SemiBuildingSim和Sinergym两个环境，前者基于真实建筑数据，后者模拟不同气候。评估指标包括CVRMSE、 occupant舒适度、能耗和控制平滑度。模型对比包括MPC、传统RL和纯数据驱动模型。超参数如扩散步数和正则系数经过调优，进行多场景迁移测试，验证模型泛化能力。
结果分析
在IID环境中，ADAPT能耗降低7.3%， occupant不适感降低30.2%，CVRMSE优于对比模型。在跨季节和跨气候迁移中，性能仅有微弱下降，优于纯数据模型。引入物理正则显著提升预测稳定性和物理合理性，验证其在实际应用中的优势。
应用场景
该模型可部署于智能建筑管理系统，实现节能与 occupant舒适的平衡。适用于新建或改造建筑，尤其在环境变化频繁或多区域运营场景。未来可结合传感器网络和边缘计算，提升实时控制能力，推动绿色智能建筑发展。
局限与展望
模型训练依赖大量高质量数据，推理计算成本较高，实时应用需优化。此外，模型在极端气候或特殊建筑结构中仍需调优，未来需结合更多物理参数和多模态信息提升适应性。
通俗解读 非专业人士也能看懂
想象你在管理一个大型工厂的温度。工厂里有很多房间，温度变化受到外面天气、工厂设备和人员活动的影响。传统方法像是用一个简单的温控器，只能根据当前温度调节，但不能预测未来的变化。现在，这个新方法像是给温控器装了一个聪明的预报系统，它可以预测未来几小时内每个房间的温度走向。它还会学习工厂内部的热传递规律，比如墙壁、设备和人员如何影响温度变化。这样，无论外面天气怎么变，工厂都能提前调整空调，既节能又让工人舒服。这个系统还能在不同季节或不同工厂之间迁移，表现都很好，就像它学会了不同工厂的“热脾气”。它的核心是用一种叫扩散模型的“魔法”来生成未来的温度轨迹，再加上物理规律的“规则”，确保预测既聪明又靠谱。这就像给工厂装上了一个既会预报又懂物理的“智能温控专家”。
简单解释 像给14岁少年讲一样
想象你在操控一个大厨房的温度。厨房里有很多不同的房间，温度会受到外面天气、厨师的烹饪和灯光的影响。以前的方法就像用一个普通的温度计，只能看现在的温度，然后随便调调，但不能预测未来会变成什么样。现在，这个新系统像是给厨房装了一个聪明的助手，它可以提前告诉你未来几个小时每个房间的温度会变成什么样。它还知道房间之间的热传递，比如墙壁、炉子和人们的活动是怎么影响温度的。这样，你就可以提前调节空调和暖气，让厨房既节能又让厨师们觉得舒服。这个助手还能学会不同季节或不同厨房的特点，就像它掌握了各种厨房的“热脾气”。它用一种叫扩散的“魔法”来预测未来的温度，然后用物理规律做“规则”，保证预测既聪明又靠谱。就像有个既会预报又懂物理的“智能温控专家”在帮你操控厨房一样。
原文摘要
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.