研究方向與計畫
我們專注於建築能源模擬、數位雙生與電網韌性預測。透過數據驅動的方法，解決從單棟建築到城市電網尺度的能源挑戰。
NTU Ziving Lab 校園淨零生活實驗室
本計畫以國立臺灣大學校園為實證場域，整合全校 200 多棟建築的智慧電表數據，建立校園規模的「都市建築能源數位雙生 (Urban Building Energy Digital Twin)」。
不同於傳統針對單棟建築的模擬，我們採用「由下而上 (Bottom-up)」的建模策略，結合圖資自動化處理與物理驅動模型，開發一套可擴展的自動化框架。 此平台將讓使用者（師生、管理者）能視覺化建築能源流向，並針對老舊建築翻新提供科學化的節能決策建議。
核心技術架構
1. 自動化建模
開發 Python 自動化腳本，將 2D與3D模型轉換為建築幾何。
- 自動化提取樓層高度與窗牆比
- 批量生成 EnergyPlus 模型
- 解決幾何自我交錯問題
2. 在地化原型庫
針對台灣氣候與建築法規，建立本土化的建築參數資料庫 (Archetypes)，取代美規預設值。
- 定義台灣常見 RC 結構熱傳導係數
- 建立校園建築使用排程
- 整合模擬用的台灣氣象數據
3. 數據驅動校正
利用電表實測數據作為 Ground Truth，運用 AI 演算法自動校正未知的物理參數。
- 使用貝氏優化 (Bayesian Optimization)
- 降低模擬誤差至 ASHRAE 標準
- CV(RMSE) < 15% (逐時校正)
4. 淨零決策支援
基於校正後的數位雙生模型，進行大規模節能情境模擬 (What-if Scenario)。
- 評估老舊窗戶與空調汰換效益
- 計算再生能源的發電潛力
- 產出節能投資報酬率 (ROI) 分析
三年執行藍圖與產出
幾何建模與基礎建設
目標：建立全校建築幾何模型庫
- • 整合圖資與營繕組資料。
- • 生成 200+ 棟 EnergyPlus 基線模型。
- • 建立資料清理 Pipeline。
模型校正與驗證
目標：縮小模擬與實測誤差
- • 開發自動化校正演算法。
- • 精細化校正主要耗能建築。
- • 驗證模型符合 ASHRAE 規範。
平台建置與策略應用
目標：決策支援系統上線
- • 建置 Ziving Lab 視覺化儀表板。
- • 評估節能措施成本效益。
- • 產出校園淨零路徑規劃書。
建築群與能源電網韌性預測
現有能源預測模型正面臨三大缺口：「泛化能力不足」、「尺度斷層」與「缺乏風險量化」。傳統模型在面對新建案或極端氣候時往往預測失準，且無法有效連結單棟建築的高隨機性與區域電網的平滑規律。
本計畫提出一個整合性 AI 框架，結合「時序基礎模型 (Foundation Models)」與「層次化協調 (Hierarchical Reconciliation)」技術，旨在解決跨尺度的能源預測難題，並透過「共形預測 (Conformal Prediction)」提供具備統計保證的風險區間，增強電網調度韌性。
核心技術架構
1. 時序基礎模型 (TSFM)
引入 Chronos 或 TimesFM 等大規模預訓練模型，解決「泛化能力不足」問題。
- 具備強大的少樣本 (Few-shot) 預測能力
- 有效應對稀少歷史數據的「新建案」預測
- 抵抗氣候變遷或人為事件造成的數據分佈偏移
2. 層次化協調(Hierarchical Reconciliation)
透過層次化模型的演算法，解決從單棟到電網的「尺度斷層」問題。
- 確保底層(建築)與上層(變電站)預測總和一致
- 利用矩陣運算優化預測準確度
- 同時捕捉微觀隨機性與宏觀規律性
3. 共形預測(Conformal Prediction)
針對「缺乏風險量化」缺口，提供具備嚴格統計保證的預測區間。
- 無需對數據分佈進行常態假設 (Distribution-free)
- 提供例如 95% 信心水準的覆蓋率保證
- 輔助電網備轉容量的精確決策
三年執行藍圖與產出
數據基礎與基準建立
重點：高品質數據集與 Baseline
- • 開發異常檢測 Pipeline，完成數據清洗。
- • 建立 ARIMA/XGBoost等基準模型。
- • 產出基準性能評估報告與初步數據集。
基礎模型導入與不確定性預測
重點：TSFM 微調與風險量化
- • 引入 Chronos 進行 Few-shot 與微調實驗。
- • 開發共形預測模組並驗證有效性。
- • 解決單棟建築的高隨機性預測問題。
電網協調與系統整合
層次化模型與預測成果
- • 實作 MinT 層次化協調，解決尺度斷層。
- • 完成全流程整合系統 (Pipeline Integration)。
- • 分析預測成果與總結技術報告。