Smart thermostats are one of the most prevalent home automation products. They learn occupant preferences and schedules, and utilize an accurate thermal model to reduce the energy use of heating and cooling equipment while maintaining the temperature for maximum comfort. Despite the importance of having an accurate thermal model for the operation of smart thermostats, fast and reliable identification of this model is still an open problem. In this paper, we explore various techniques for establishing a suitable thermal model using time series data generated by smart thermostats. We show that Bayesian neural networks can be used to estimate parameters of a grey-box thermal model if sufficient training data is available, and this model outperforms several black-box models in terms of the temperature prediction accuracy. Leveraging real data from 8,884 homes equipped with smart thermostats, we discuss how the prior knowledge about the model parameters can be utilized to quickly build an accurate thermal model for another home with similar floor area and age in the same climate zone. Moreover, we investigate how to adapt the model originally built for the same home in another season using a small amount of data collected in this season. Our results confirm that maintaining only a small number of pre-trained thermal models will suffice to quickly build accurate thermal models for many other homes, and that 1~day smart thermostat data could significantly improve the accuracy of transferred models in another season.

中文翻译：

---

使用贝叶斯神经网络识别灰盒热模型

智能恒温器是最流行的家庭自动化产品之一。他们了解居住者的偏好和时间表，并利用准确的热模型来减少加热和冷却设备的能源使用，同时保持温度以获得最大的舒适度。尽管为智能恒温器的运行提供准确的热模型很重要，但快速可靠地识别该模型仍然是一个悬而未决的问题。在本文中，我们探索了使用智能恒温器生成的时间序列数据建立合适热模型的各种技术。我们表明，如果有足够的训练数据，贝叶斯神经网络可用于估计灰盒热模型的参数，并且该模型在温度预测精度方面优于几个黑盒模型。利用来自 8 的真实数据，884 个配备智能恒温器的家庭，我们讨论了如何利用模型参数的先验知识为同一气候区中具有相似建筑面积和年龄的另一个家庭快速建立准确的热模型。此外，我们使用本季收集的少量数据，研究如何在另一个季节调整最初为同一家建造的模型。我们的结果证实，仅维护少量预训练的热模型就足以为许多其他家庭快速构建准确的热模型，并且 1 天的智能恒温器数据可以显着提高另一个季节传输模型的准确性。我们讨论了如何利用关于模型参数的先验知识为同一气候区中具有相似建筑面积和年龄的另一个家庭快速建立准确的热模型。此外，我们使用本季收集的少量数据，研究如何在另一个季节调整最初为同一家建造的模型。我们的结果证实，仅维护少量预训练的热模型就足以为许多其他家庭快速构建准确的热模型，并且 1 天的智能恒温器数据可以显着提高另一个季节传输模型的准确性。我们讨论了如何利用关于模型参数的先验知识为同一气候区中具有相似建筑面积和年龄的另一个家庭快速建立准确的热模型。此外，我们使用本季收集的少量数据，研究如何在另一个季节调整最初为同一家建造的模型。我们的结果证实，仅维护少量预训练的热模型就足以为许多其他家庭快速构建准确的热模型，并且 1 天的智能恒温器数据可以显着提高另一个季节传输模型的准确性。