Recently, detailed building energy models are being widely used for building control assessments. When conducting such assessments, year-long simulations are usually deployed to cover as many building operation conditions as possible. However, year-long simulations can become computationally cumbersome, given the inherent nonlinearities of high-fidelity, detailed building models. In this paper, we propose a novel, time-efficient, and data-driven framework for selecting specific weather conditions when assessing building energy performance within a simulation environment. In the proposed framework, learning-based methodologies are used to group days of a performance assessment time window (usually a whole year) which are “similar” in terms of weather conditions (such as temperature, humidity, precipitation etc.) or contexts (such as “day of the week”, “weekday/weekend”, etc.) into different clusters. Following this, we select a finite number of “representative days” from each of these clusters, using which we try to understand the correlations between building performance and weather (or contexts) for each specific cluster. Subsequently, this knowledge is used to predict the building performance for the remaining “non-representative days”, and in turn estimate the overall annual energy performance of the whole building. We demonstrate the performance of the proposed framework on a varied suite of buildings across different geographical locations of the U.S. Results suggest that for practical purposes, our proposed approach can reduce the computational cost while maintaining considerable accuracy, compared to year-long simulations.

最近，详细的建筑能源模型被广泛用于建筑控制评估。进行此类评估时，通常会进行为期一年的模拟，以覆盖尽可能多的建筑物运行条件。但是，鉴于高保真，详细的建筑模型固有的非线性，长达一年的模拟可能会变得计算繁琐。在本文中，我们提出了一种新颖，省时且数据驱动的框架，用于在评估模拟环境中的建筑物能源性能时选择特定的天气条件。在提议的框架中，基于学习的方法用于对绩效评估时间窗口的天（通常是全年）进行分组，这些天在天气条件（例如温度，湿度，降水等）方面“相似”。）或上下文（例如“星期几”，“工作日/周末”等）分成不同的类别。然后，我们从每个群集中选择有限数量的“代表性天数”，以此来了解每个特定群集的建筑性能与天气（或环境）之间的相关性。随后，这些知识将用于预测剩余“非代表性日”内的建筑物性能，进而估算整个建筑物的整体年度能源性能。我们证明了拟议框架在美国不同地理位置的各种建筑物上的性能。结果表明，与为期一年的模拟相比，出于实际目的，我们拟议的方法可以降低计算成本，同时保持相当大的准确性。等）分成不同的集群。然后，我们从每个群集中选择有限数量的“代表性天数”，以此来了解每个特定群集的建筑性能与天气（或环境）之间的相关性。随后，这些知识将用于预测剩余“非代表性日”内的建筑物性能，进而估算整个建筑物的整体年度能源性能。我们证明了拟议框架在美国不同地理位置的各种建筑物上的性能。结果表明，与为期一年的模拟相比，出于实际目的，我们拟议的方法可以降低计算成本，同时保持相当大的准确性。等）分成不同的集群。然后，我们从每个群集中选择有限数量的“代表性天数”，以此来了解每个特定群集的建筑性能与天气（或环境）之间的相关性。随后，这些知识将用于预测剩余“非代表性日”内的建筑物性能，进而估算整个建筑物的整体年度能源性能。我们证明了拟议框架在美国不同地理位置的各种建筑物上的性能。结果表明，与为期一年的模拟相比，出于实际目的，我们拟议的方法可以降低计算成本，同时保持相当大的准确性。我们从这些群集中的每个群集中选择有限数量的“代表天”，以此来了解每个特定群集的建筑性能与天气（或环境）之间的相关性。随后，这些知识将用于预测剩余“非代表性日”内的建筑物性能，进而估算整个建筑物的整体年度能源性能。我们证明了拟议框架在美国不同地理位置的各种建筑物上的性能。结果表明，与为期一年的模拟相比，出于实际目的，我们拟议的方法可以降低计算成本，同时保持相当大的准确性。我们从这些群集中的每个群集中选择有限数量的“代表天”，以此来了解每个特定群集的建筑性能与天气（或环境）之间的相关性。随后，这些知识将用于预测剩余“非代表性日”内的建筑物性能，进而估算整个建筑物的整体年度能源性能。我们证明了拟议框架在美国不同地理位置的各种建筑物上的性能。结果表明，与为期一年的模拟相比，出于实际目的，我们拟议的方法可以降低计算成本，同时保持相当大的准确性。通过这种方法，我们尝试了解每个特定群集的建筑性能与天气（或环境）之间的相关性。随后，这些知识将用于预测剩余“非代表性日”内的建筑物性能，进而估算整个建筑物的整体年度能源性能。我们证明了拟议框架在美国不同地理位置的各种建筑物上的性能。结果表明，与为期一年的模拟相比，出于实际目的，我们拟议的方法可以降低计算成本，同时保持相当大的准确性。通过这种方法，我们尝试了解每个特定群集的建筑性能与天气（或环境）之间的相关性。随后，这些知识将用于预测剩余“非代表性日”内的建筑物性能，进而估算整个建筑物的整体年度能源性能。我们证明了拟议框架在美国不同地理位置的各种建筑物上的性能。结果表明，与为期一年的模拟相比，出于实际目的，我们拟议的方法可以降低计算成本，同时保持相当大的准确性。然后估算整个建筑物的整体年度能源绩效。我们证明了拟议框架在美国不同地理位置的各种建筑物上的性能。结果表明，与为期一年的模拟相比，出于实际目的，我们拟议的方法可以降低计算成本，同时保持相当大的准确性。然后估算整个建筑物的整体年度能源绩效。我们证明了拟议框架在美国不同地理位置的各种建筑物上的性能。结果表明，与为期一年的模拟相比，出于实际目的，我们拟议的方法可以降低计算成本，同时保持相当大的准确性。