面向异构建筑群长期热负荷缺失值插补的统一GAN与自适应共享表示学习框架

《Energy and AI》：Cross-building long-term heating-load imputation using a unified GAN with adaptive shared representation learning

　　

可靠的热负荷测量对建筑能源管理至关重要，但长期缺失数据仍难以插补，尤其是在异构建筑组合中。现有生成式插补模型能够在不递归复用先前估计值的情况下插补长期缺失序列，但其主要针对单体建筑设计，未明确区分共享的天气依赖模式与建筑特定的热工-运行响应。此外，为不同建筑分别训练模型会增加实际应用中的模型管理复杂度。为解决这些局限，该研究提出一种统一的基于GAN的框架，用于在数据量平衡和不平衡条件下开展跨建筑长期热负荷插补。该框架以天气和时间变量为条件，在非重叠24 h窗口内插补缺失热负荷数据。其增强的生成主干引入U-Net连接以保留详细负荷曲线信息，并引入PatchGAN判别器以提高局部时间真实性。在此基础上，生成器集成共享编码器、多门控专家混合（MMoE）模块和建筑特定解码器，支持联合天气-负荷表示学习以及建筑特定专家混合和解码。研究人员在两个真实数据源和一个模拟数据源（单户住宅、多户住宅、商业建筑和酒店）构成的四个主要案例研究中评估该框架，并进一步使用来自另一个真实数据源的补充案例研究（学校和办公楼）验证泛化性。与平衡数据量设置下单独单建筑训练相比，所提网络平均降低归一化均方根误差（NRMSE）9.70%，同时显著减小模型规模和训练时间。与不平衡数据量设置下迁移学习（TL）相比，其降低NRMSE最高达58.78%。这些结果表明，在所评估建筑组合中，跨建筑热负荷插补得到改善，模型存储需求降低。

Mengbo Yu等针对异构建筑群长期热负荷缺失值难以可靠插补的问题开展了研究。准确热负荷测量是负荷预测、能源预算、性能基准、需求响应和故障检测等数据驱动建筑运行应用的基础；传感器或仪表故障、通信中断、设备更换、维护以及建筑管理和数据存储平台错误可造成长期连续数据缺口。多日乃至更长的连续缺口不能总被丢弃，因为月度或季节能源核算、性能基准和模型校准需要连续历史记录；既有数据质量报告亦会排除超过100连续天缺失的计量序列，因此需要利用同期天气和时间观测进行回顾性插补。既有长短期记忆网络（LSTM）、双向LSTM和卷积神经网络-长短期记忆网络（CNN-LSTM）等方法常按序列递归插补，早期插补值用于推断后期值，随缺失区间增加可产生误差累积；已有生成对抗网络（GAN）方法多利用缺失期前后观测负荷作为上下文，在长期缺失时可用边界观测距离待插补值较远，依赖邻近负荷序列的方法适用性下降。已有条件生成对抗网络（cGAN）主干将插补转化为非递归条件生成任务，按非重叠24 h样本建模，但扩展到异构建筑时存在三个问题：缺乏显式机制区分共享天气依赖特征与建筑特定热工和运行响应；实际建筑组合数据量常不平衡；逐建筑训练或适配增加计算成本和模型管理复杂度。为此，研究人员提出统一cGAN框架，将跨建筑插补分解为共享外生条件表示学习、基于MMoE的自适应建筑特定潜在路由和任务特定热负荷插补，并采用U-Net连接保留详细曲线信息、PatchGAN判别器提高局部时间真实性。该研究在四个主要案例和两个补充案例中评估，结果表明在平衡数据量下相较单独单建筑训练平均降低NRMSE 9.70%，并减少模型规模和累积训练时间；在不平衡数据量下，30天目标建筑数据时TL仍具竞争力，90天时所提框架相较TL基线在冷月降低NRMSE 8.17%—27.70%、暖月0.64%—58.78%。其意义在于以单一生成框架处理不同地点、用途和数据量的异构建筑，减少模型存储和管理复杂度，并改善跨建筑长期热负荷插补。

关键技术方法约250字：研究人员采用滚动窗口构造非重叠24 h样本，输入包括室外温度（T_out）、全局水平辐照度（GHI）、时间编码及热负荷，训练时热负荷通道全掩码；生成器采用编码器-解码器、U-Net跳跃连接、二维卷积和膨胀卷积，判别器采用PatchGAN；生成器由共享编码器、MMoE（3个专家）、建筑特定门控和解码器组成；损失为条件对抗损失与L₁重建损失，并以可训练不确定性权重平衡各建筑损失。对比包括Separate、Single、Without MMoE、参数匹配硬/软共享、GradNorm、PCGrad、Transformer、Diffusion、Context Encoder及TL基线微调和最大均值差异（MMD）。样本队列来源包括Berlin residential buildings、When2Heat Profiles、Hotels in Germany和BDG2。

研究结果如下。4.1 消融研究（Ablation study）：通过Separate、Single和Without MMoE比较，所提框架平均相对降低NRMSE 9.70%、66.55%和12.26%，报告标准差的平均相对降低30.22%、52.80%和21.16%；相较Separate，总训练时间由404.78 s降至306.78 s，模型由44.10 MB降至25.57 MB，峰值内存由2211.68 MB升至3282.64 MB。4.1.1 消融分析（Ablation analysis）：匹配种子和测试期下，所提框架在八个案例-季节比较中均低于三个消融基线，相对降低范围分别为2.61%—18.73%、36.81%—79.49%和8.87%—18.32%；聚类自助法95%区间均高于零。4.1.2 专家数量影响（Effect of the number of experts）：比较1—5个专家，3个专家在七个案例-季节取得最低平均NRMSE，并在Case 3暖月与2个专家并列最低；增至4或5个专家未改善平均NRMSE。4.1.3 与替代MTL架构和任务平衡方法比较（Comparison with alternative MTL architectures and task-balancing methods）：参数匹配硬共享和软共享下，所提框架在八个比较中各有七个更低，平均相对降低4.49%和7.19%；不确定性加权相较GradNorm在八个比较均更低、相较PCGrad在七个比较更低，平均降低3.69%和3.74%。4.1.4 完整张量与仅热负荷损失消融（Ablation of complete-tensor and heating-load-only losses）：All-variable在Case 2冷月使NRMSE由5.95%降至5.57%，在Case 3暖月由5.58%降至4.86%，但Case 3冷月略增0.51%，收益不均。4.2 与基线方法比较（Comparison with baseline methods）：所提框架相较Transformer和Diffusion在八个比较均更低，平均相对降低51.27%和30.18%；相较Context Encoder在七个比较更低，平均降低9.77%，Case 1冷月例外增3.02%。4.3 跨案例不平衡数据量验证（Validation under imbalanced data volumes across cases）：8、14、30、60、90天设置下，极少数据时TL通常更优，30天时所提框架更具竞争力但TL在若干异构案例仍优，60天差距缩小，90天反转；90天时所提框架相较TL冷月降低8.17%—27.70%、暖月0.64%—58.78%。4.3.1 有限数据量建筑处理效果（Effectiveness of processing buildings with limited data volume）：8或14天时TL基线通常优于所提框架，30天时所提框架更有竞争力，60天差异缩小，90天所提框架取得改善；MAE呈相同总体趋势。4.3.2 大数据量建筑处理效果（Effectiveness of processing the building with large data volume）：研究人员在有限数据建筑至少具备30、60或90天数据时，以NRMSE比较评估大数据建筑在联合训练中的表现。4.3.3 训练时间和计算资源比较（Comparison of training time and computational resources）：所提框架模型25.57 MB，较TL的44.10 MB降低42.02%；训练时间273.12 s，分别比fine-tuning和MMD长124.51%和27.28%。4.3.4 插补热负荷曲线视觉比较（Visual comparison of imputed heating-load profiles）：Case 4在30、60、90天设置下，所提网络较TL基线偏差更小、时间模式恢复更好，并随目标数据增加趋近原始序列。4.4 结果解释（Result interpretation）：通过共享表示、专家路由和输出级物理响应分析解释框架，专家未赋予显式物理意义。4.4.1 共享模式学习与自适应路由分析（Shared-pattern learning and adaptive routing analysis）：编码器对比在四个设置均为正（0.554、0.409、0.904、0.976），95%区间高于零；Case 3专家集中度更强，Case 2混合更广更相似；暖月主导门控权重下降、熵增加；各建筑主导专家选择频率100%，次级专家权重非零，路由变化小。4.4.2 联合专家训练与专家混合诊断（Joint expert training and expert-mixture diagnostics）：各专家由一栋建筑获得最大梯度贡献，其余建筑合计贡献在Case 2为12.32%—22.83%、Case 3为10.69%—13.29%；局部专家更新灵敏度很小且含负方向；仅保留主导专家时12个条目中11个误差增加，支持完整混合的用处。4.4.3 物理响应解释（Physical-response interpretation）：采用温度敏感性误差E_T、热滞后误差E_τ、峰值负荷误差E_P和峰值时间误差E_tp；Case 2全部指标改善，Case 3的E_T和E_P改善但冷月E_τ由0.10 h增至3.00 h，Case 4全部改善且冷月E_T由6.89%降至2.85%、E_τ由5.08 h降至0.46 h；总体改善但依案例、季节和指标而异。4.5 误差分析（Error analysis）：误差集中于低温、高负荷和建筑特定时段；Case 2最低温条件使NRMSE在冷月增93.3%—115.4%、暖月增99.5%—270.9%，高负荷增73.1%—120.3%和249.3%—357.3%；Case 3呈类似趋势；30天能量误差和日边界误差在Case 2和Case 3优于三个基线，暖月Case 1和Case 4亦最低，冷月排序不同。4.6 扩展使用类型泛化（Generalization on extended usage types）：BDG2的Case 5和Case 6各12栋、三建筑组合、四次重复；Case 5中MMoE使平均NRMSE在冷月和暖月相对降低4.20%和6.04%，Case 6为4.46%和3.77%；相较Context Encoder、Diffusion、Transformer，Case 5冷月降低7.71%、11.56%、23.01%，暖月降低16.47%、15.84%、14.79%，Case 6冷月降低10.82%、17.66%、20.11%，暖月降低17.45%、18.71%、22.22%；物理指标多数改善，峰值时间改善有限。4.7 关键发现（Key findings）：4.7.1 结果发现（Result findings）总结上述精度、消融、基线、不平衡数据和物理响应结果；4.7.2 实践意义（Practical implications）指出插补值仍是估计，应与测量值区分，不宜假定可恢复未观测故障或运行变化；统一框架降低模型存储和累积训练时间但增加峰值内存，每增加建筑需增加门控、解码器和训练判别器；TL适合极少数据，60—90天时所提框架更优。4.8 局限（Limitations）：扩展至更大或动态增长组合需验证；新建筑可增加门控、解码器和判别器并先冻结共享编码器和专家再微调；专家诊断不能隔离来自其他建筑的有益知识迁移；仅考虑热负荷且缺少物理和运行元数据；未显式施加热力学约束，对极端天气或改造的鲁棒性未验证，可考虑非负荷约束、设备容量边界、简化热平衡正则和重校准。

讨论部分总结：所提统一cGAN框架通过共享编码器、MMoE自适应路由和建筑特定解码器，在平衡数据量下较单独建模降低误差并减少存储与累积训练时间，在不平衡数据量下随目标建筑数据增加而更具优势；物理响应指标总体改善但依案例、季节和指标而异。结论翻译：本研究提出一种面向异构建筑组合跨建筑长期热负荷插补的统一cGAN框架，集成共享编码器、基于MMoE的自适应潜在路由和建筑特定解码器，基于网络学习到的天气-负荷关系，从可用天气和时间变量插补缺失热负荷数据；共享编码器和专家库跨建筑联合训练，MMoE门控学习建筑特定专家混合，建筑特定解码器插补各建筑对天气和时间条件的响应，从而在单一插补模型中处理多栋建筑并避免递归使用先前插补值。该框架在四个不同地点和用途类型的跨建筑案例中评估；相较Separate、Single和Without MMoE，平均NRMSE分别降低9.70%、66.55%和12.26%；相较参数匹配硬共享和软共享基线平均降低4.49%和7.19%，但优势并非在所有案例和季节一致；相较Transformer、Diffusion和Context Encoder平均相对降低51.27%、30.18%和9.77%。不平衡数据量下，仅30天目标建筑数据时TL仍有用，随目标数据增加所提框架更具竞争力；90天时冷月降低NRMSE 8.17%—27.70%、暖月0.64%—58.78%，并减少逐建筑训练或适配需求。物理响应分析显示天气敏感性、热滞后和日峰值负荷行为得到较好保留，但收益依案例、季节和指标而异。未来工作将聚焦提高适应性和泛化性，发展可适应建筑数量增长的自适应架构，探索相似建筑聚类以改善插补性能，并研究元学习等跨建筑应用方法。