偏差预测与参数估计：针对城市建筑能耗建模的校准框架比较——考虑不同应用场景

《Journal of Cleaner Production》：Bias prediction vs. parameter Estimation: Calibration Framework comparison for urban Building energy modeling considering application scenarios

准确的城市建筑能耗建模是气候行动规划的前提，但常受限于建筑信息不足。本文通过北京3442栋公共建筑256,968条月度用电数据，系统对比了基于结果偏置预测（BP）和参数估计（PE）的校准方法。研究表明BP在精度、泛化性和鲁棒性上优于PE，尤其适用于建筑运维和可持续性评估场景；而PE在需模型可解释性的设计阶段更具优势。迁移学习可提升BP在混合用途建筑中的应用。

　　城市建筑能源建模（Urban Building Energy Modeling, UBEM）是城市气候行动、规划和更新过程中不可或缺的工具，能够为城市能源消耗（Urban Building Energy Consumption, UBEC）的评估、管理和限制提供科学依据。然而，由于建筑信息和使用数据的获取难度较大，尤其是在大规模城市背景下，UBEM的准确性常常受到限制。因此，研究人员倾向于采用简化模型，并通过校准（calibration）来提升其性能。校准方法主要包括基于结果偏差预测（Bias Prediction, BP）和基于参数估计（Parameter Estimation, PE）两种框架。尽管这两种方法在实际应用中被广泛采用，但其数据需求、能力边界和适用场景仍存在诸多不确定性，特别是在样本空间有限的情况下。

本研究通过一个案例分析，对3442座公共建筑的256,968条月度电力消耗记录进行系统比较，评估BP和PE框架在不同任务中的表现。研究结果显示，BP框架在准确性、泛化能力和鲁棒性方面均优于PE框架，特别是在建筑维护和城市可持续性评估等场景中，BP框架能够更有效地支持精确的能源评估。而PE框架则更适合于那些需要解释能源消耗构成或敏感性的设计阶段，因为在这些阶段中，模型的可解释性往往比准确性更重要。

在实际应用中，UBEM通常采用两种主要方法：自上而下（top-down）和自下而上（bottom-up）。自上而下方法通常将整个城市建筑存量视为最小单元，通过统计或计量方法（如度日模型）来估算总年度能源消耗。这种方法在数据获取较为困难时具有一定的优势，但其缺点是无法提供详细的时空分布信息。相比之下，自下而上方法则将城市视为多个个体建筑或建筑类型的集合，通过工程物理或数据驱动模型来估算建筑的能源消耗，随后汇总以得到总的城市能源消耗。由于其能够提供更详细的信息，自下而上方法在实际应用中更为常见。

然而，自下而上方法在实施过程中面临的主要挑战是需要大量的建筑特定数据，如建筑年代、面积、类型、几何结构、围护结构热性能、能源系统规格和运营时间表等。这些数据在大规模城市背景下往往难以获取，从而影响模型的准确性。此外，模型的性能评估通常围绕三个核心方面展开：模型模拟结果与实际消耗数据的准确性、模型在不同空间和时间输入下的泛化能力，以及模型在不同建模任务中的稳定性。由于建筑数据的获取难度较大，提升基于有限数据的UBEM性能成为当前研究的重点。

为了解决这一问题，研究人员通常采用简化模型，并通过校准方法来提高其性能。校准方法包括BP和PE两种主要框架。BP框架是一种基于结果的校准方法，主要通过预测模拟结果与测量数据之间的偏差来调整模型。相比之下，PE框架则是一种基于参数的校准方法，通常通过贝叶斯推断或优化技术来推断不确定的模拟参数。BP框架作为黑盒方法，能够更直接地捕捉模拟结果与实际数据之间的偏差，而PE框架作为灰盒方法，能够通过优化参数来提高模型的拟合度。

在实际应用中，BP框架通常需要先进行目标案例的模拟，然后使用预训练的校准模型来调整模拟结果。这种方法通常依赖于统计机器学习（Statistical Machine Learning, ML）或深度学习（Deep Learning, DL）技术，如残差神经网络（Residual Neural Network, ResNet）。而PE框架则需要在模拟过程中调整高度敏感的参数，以提高模型的准确性。这些参数的调整通常基于贝叶斯框架或其他优化方法。

在UBEM实践中，公共建筑由于参数不确定性较高，且在城市建筑中占据重要地位，因此需要优先进行校准。然而，由于数据获取的困难和建筑类型的多样性，PE框架在公共建筑校准中的应用受到限制。相比之下，BP框架在处理这些不确定性方面具有更大的灵活性，能够通过学习中间结果或其他特征来预测偏差。这种方法在处理低LOD（Level of Detail）数据时具有明显优势，特别是在数据样本空间有限的情况下。

本研究通过系统评估和比较BP与PE框架在低LOD UBEM校准中的表现，发现BP框架在准确性、泛化能力和鲁棒性方面均优于PE框架。在实际应用中，BP框架能够更有效地支持精确的能源评估，特别是在建筑维护和城市可持续性评估等场景中。而PE框架则更适合于那些需要解释能源消耗构成或敏感性的设计阶段。此外，研究还发现，通过迁移学习（Transfer Learning）可以进一步提高BP框架在混合用途建筑模拟中的性能。

本研究的案例分析涉及3442座公共建筑的256,968条月度电力消耗记录，这些数据来源于中国北京市的建筑能耗监测系统。研究采用三种不同的测试集，分别对应不同的样本规模，以模拟不同水平的数据可用性。通过分析这些测试集的结果，研究发现BP框架在不同任务中表现出更高的准确性，尤其是在处理混合用途建筑和大规模城市数据时。而PE框架则在处理特定建筑类型和高度敏感参数时具有一定的优势，但其泛化能力较弱，尤其是在样本规模较小的情况下。

在机器学习方法的应用中，BP框架通常采用随机森林（Random Forest, RF）和梯度提升机（Gradient Boosting Machine, LGBM）等算法。研究发现，LGBM模型在年度分辨率下表现出略优于RF模型的准确性，但在更精细的时间尺度下，如夏季冷却季节，LGBM模型的预测误差较高，而其他时间段的误差较低。因此，在选择机器学习方法时，需要根据具体的应用场景和数据特点进行权衡。

本研究的结论表明，BP框架在低LOD UBEM校准中具有更高的可行性，特别是在建筑维护和城市可持续性评估等场景中。而PE框架则更适合于那些需要解释能源消耗构成或敏感性的设计阶段。此外，研究还发现，通过迁移学习可以进一步提高BP框架在混合用途建筑模拟中的性能。因此，选择合适的校准方法对于提升UBEM的应用效果至关重要。

本研究的案例分析为未来UBEM校准方法的选择提供了重要参考。通过系统评估BP和PE框架在不同任务中的表现，研究发现BP框架在处理大规模城市数据和混合用途建筑时具有更高的准确性，而PE框架则在处理特定建筑类型和高度敏感参数时具有一定的优势。因此，在实际应用中，研究人员需要根据具体的需求和数据特点，选择最适合的校准方法。

此外，本研究还探讨了BP框架在不同边界条件下的适用性。研究发现，BP框架的泛化能力和稳定性受到建筑类型、数据规模和训练样本数量等因素的影响。因此，在实际应用中，研究人员需要根据这些因素进行调整，以确保BP框架的性能和适用性。同时，研究还建议采用通用的验证方法，以评估BP框架在不同边界条件下的表现。

本研究的案例分析不仅验证了BP和PE框架在低LOD UBEM校准中的表现，还为未来的研究提供了方向。研究发现，BP框架在处理大规模城市数据和混合用途建筑时具有更高的准确性，而PE框架则在处理特定建筑类型和高度敏感参数时具有一定的优势。因此，在实际应用中，研究人员需要根据具体的需求和数据特点，选择最适合的校准方法。

通过本研究的系统评估，可以为城市建筑能源建模提供更科学的校准方法选择。BP框架在处理大规模数据和混合用途建筑时表现出更高的准确性，而PE框架则在处理特定建筑类型和高度敏感参数时具有一定的优势。因此，在实际应用中，研究人员需要根据具体的需求和数据特点，选择最适合的校准方法。

综上所述，本研究通过系统评估BP和PE框架在低LOD UBEM校准中的表现，为未来的研究提供了重要参考。BP框架在处理大规模城市数据和混合用途建筑时表现出更高的准确性，而PE框架则在处理特定建筑类型和高度敏感参数时具有一定的优势。因此，在实际应用中，研究人员需要根据具体的需求和数据特点，选择最适合的校准方法。此外，研究还建议采用迁移学习来提高BP框架在混合用途建筑模拟中的性能，以进一步提升UBEM的应用效果。