知识图谱引导的图神经网络在可持续建筑智能计量数据增强中的应用研究

本研究针对可持续建筑中智能计量数据质量低、不完整的问题，创新性地引入建筑知识图谱(BKG)指导图神经网络(GNN)建模，提出统一解决方案BuildKnow。通过提取BKG中的仪表依赖知识，构建时空融合模型，在三个真实建筑场景中实现CV-RMSE达16.53%的数据增强效果，为建筑能效分析提供高质量数据基础。

　　

在数字化与碳中和的双重驱动下，可持续建筑正成为城市减碳的重要阵地。这些建筑通过部署智能仪表网络监测HVAC（暖通空调）、照明等系统的运行状态，但现实却充满无奈——传感器故障、传输中断导致高达37%的计量数据缺失。传统解决方案陷入两难：建筑工程师依赖领域知识手工建模效率低下，数据科学家开发的通用时序模型又忽视了仪表间的物理关联。这种矛盾严重制约了建筑能效优化、故障诊断等数据驱动应用的发展。

香港理工大学的研究团队另辟蹊径，将建筑知识图谱(Building Knowledge Graph, BKG)这一"建筑数字孪生"引入战场。BKG以图结构整合了空调机组、水泵、传感器等实体及其关联关系，如Brick标准构建的图谱中"AHU.01→供电→FLOW.01"这类关系链暗藏着能量传递的物理规律。研究通过两组实验证实：当空调送风量(FLOW.01)数据缺失时，利用BKG关联的冷冻水阀开度数据可使预测误差降低42%；而仅用时序模型误差高达29%。这揭示了BKG在数据增强中的独特价值。

研究团队提出BuildKnow框架攻克四大挑战：针对BKG层级复杂性问题，设计元路径采样策略提取多跳依赖关系；面对知识碎片化，开发异构图注意力机制融合时空特征；采用动态图卷积网络处理仪表读数与拓扑的交互；通过对抗训练提升模型在局部数据缺失时的鲁棒性。技术核心在于将BKG转化为图神经网络(GNN)的先验知识，使模型既能捕捉"冷冻泵电流-冷却水流量"的物理关联，又学习到数据自身的时序动态。

评估结果显示：在三个采用Brick标准BKG的真实建筑中，BuildKnow的CV-RMSE（16.53%）显著优于LSTM（23.81%）和Transformer（21.04%）等时序模型。特别在HVAC系统仪表上，因BKG完整记录了制冷机组拓扑，数据增强精度提升达38%。案例研究揭示：当目标仪表在BKG中具有≥3个依赖节点时，模型性能会出现平台期，说明过度复杂的依赖关系可能引入噪声。消融实验证实：移除BKG引导后模型误差增长21%，凸显知识图谱的结构化知识对数据增强的关键作用。

这项发表于《Knowledge-Based Systems》的研究开创了BKG与GNN融合的建筑数据增强范式。其意义不仅在于解决了数据质量问题，更构建了建筑物理系统与数字模型的"双向通道"——BKG指导数据修复，增强后的数据又可反哺图谱更新。正如讨论部分指出，随着GoogleDBO等商业BKG的普及，该框架有望成为建筑数字孪生的基础组件。未来研究可探索BKG自动构建、跨建筑知识迁移等方向，最终实现"图谱即服务"的智能建筑运维新时代。