Nepal verileriyle eğitilen transformer, Güney Asya'da enerji tahmini yaptıTransformer trained on Nepal data forecasts energy use across South Asia

ÖzetSummary

Nepal'in 72–2.300 m rakım aralığındaki 1.100 EnergyPlus simülasyonunda eğitilen bir transformer, test istasyonlarında haftalık bina enerji tüketimini tahmin ediyor (SMAPE %3,1–8,7). Model, tek bir mimari değişiklikle—hava durumu girdilerini konum bazlı istatistikler yerine sabit fiziksel sınırlara ölçekleme—diğer yedi Güney Asya ülkesindeki on şehre sıfır atışla genelleniyor ve %3,1–5,9 SMAPE elde ediyor.A transformer trained on 1,100 EnergyPlus simulations across Nepal's 72–2,300 m elevation range predicts weekly building energy consumption at test stations (SMAPE 3.1–8.7%). With a single architectural change—scaling weather inputs to fixed physical bounds instead of location-based statistics—the model generalizes zero-shot to ten cities across seven other South Asian countries, achieving 3.1–5.9% SMAPE.

Neden ÖnemliWhy it matters

Güney Asya'da bina performansı simülasyonu, enerji kodu uygulamalarında neredeyse hiç yok. Veri kıtlığı ve hesaplama maliyeti bu alanda ciddi engeller oluşturuyor. Yerel kalibrasyona ihtiyaç duymadan iklimler arasında transfer edilebilen hafif bir vekil model, veri yetersiz bölgelerde yenileme taraması ve kod uyumluluğu çalışmalarını mümkün kılabilir. Genelleme kapasitesini veri hacminin değil, iklim rejimi kapsamının belirlediği bulgusu, bu tür araçların hizmet altyapısı zayıf diğer coğrafyalarda devreye alınması için pratik bir yol haritası sunuyor.Building performance simulation is nearly absent in energy code enforcement across South Asia. Data scarcity and computational costs pose significant barriers in this field. A lightweight surrogate model that transfers across climates without local calibration could enable retrofit screening and code compliance studies in data-poor regions. The finding that generalization capacity is determined by climate regime coverage rather than data volume offers a practical roadmap for deploying such tools in other geographies with weak service infrastructure.

Öne ÇıkanlarHighlights

• Hava durumu özelliklerini konum bazlı min/max değerleri yerine sabit fiziksel sınırlara ölçeklemek, sıfır atış transferini mümkün kılan ve iklimler arası doğruluğu artıran tek değişiklik.Scaling weather features to fixed physical bounds instead of location-based min/max values is the single change that enables zero-shot transfer and improves cross-climate accuracy.
• Sıcak, orta ve soğuk rejimleri kapsayan üç eğitim istasyonu, görülmemiş tüm Nepal istasyonlarını %5,7 hata payı içinde tutuyor. Tek bir soğuk dağ istasyonunun eğitimden çıkarılması, tüm soğuk şehir tahminlerini olumsuz etkiliyor.Three training stations covering hot, temperate, and cold regimes keep all unseen Nepal stations within a 5.7% error margin. Removing a single cold mountain station from training negatively impacts predictions for all cold cities.
• İklim zarfı dışında önceden belirlenen Ulaanbaatar'da tüketim sürekli düşük tahmin ediliyor. Ek eğitim verisi veya veri artırma yöntemleri bu sorunu çözmüyor. Bağlayıcı kısıt veri hacmi değil, kapsam.In Ulaanbaatar, which lies outside the climate envelope, consumption is consistently underpredicted. Additional training data or data augmentation methods do not resolve this issue. The binding constraint is coverage, not data volume.

EleştiriCritical take

Elde edilen %3–6 SMAPE değerleri, gerçek binalardaki sayaçlı tüketimle değil, tek bir DOE orta ölçekli ofis prototipinin EnergyPlus simülasyonlarıyla karşılaştırılarak ölçüldü. Bu nedenle pratik doğruluk farkı bilinmiyor. Bu yaklaşımı 'sıfır atış' olarak nitelendirmek de cömert bir ifade. Nepal'in 2.300 m'lik rakım yayılımı tesadüfen birçok Güney Asya iklimini kapsıyor. Dolayısıyla model, genellenebilir bir mimariyi kanıtlamaktan çok, elverişli bir eğitim dağılımından yararlanıyor.The achieved 3–6% SMAPE values were measured against EnergyPlus simulations of a single DOE mid-sized office prototype, not against metered consumption in real buildings. Therefore, the difference in practical accuracy is unknown. Describing this approach as 'zero-shot' is also a generous characterization. Nepal's 2,300 m elevation spread happens to cover many South Asian climates. Consequently, the model benefits from a favorable training distribution rather than proving a generalizable architecture.