融合周边商店时间序列数据的挪威商业建筑动态能耗预测研究：CNN-LSTM与Transformer架构对比

《Array》：Dynamic Energy Demand Forecasting in a Norwegian Commercial Store Using Local Building Time-Series Data: CNN-LSTM and Transformer Architectures Compared

　　

研究人员开展了一项对比性时间序列研究，应用Transformer（基于自注意力机制的序列转换模型）与CNN-LSTM（卷积长短期记忆网络，Convolutional Neural Network-Long Short-Term Memory）架构对商业建筑进行动态能耗预测。研究表明，融合周边商店能源数据可显著提升预测精度；商业商店的能源需求主要由运营动态驱动，而非天气条件。在训练数据有限的条件下，Transformer模型表现优于CNN-LSTM模型；而当周边商店数据集扩展后，CNN-LSTM实现了最高的预测精度。

在全球能源消费格局中，建筑运行能耗（operational energy use）约占总量的30%，若计入建筑材料隐含能源（embodied energy），该比例进一步上升至34%。随着空间供暖与制冷需求及电力消费在2022年同比增长超过3%，准确的建筑能耗预测成为实现智能能源管理与保障现代能源系统稳定的核心前提。然而，传统预测技术，如统计模型及简单的仅时间维度的深度学习算法，往往难以准确捕捉 occupants' behavior（使用者行为）、opening hours（营业时间）、weather condition（天气条件）等多内部与外部因素之间的复杂非线性影响，在多步预测及异常值处理方面存在明显局限。商业商店的能耗特征与办公及住宅建筑差异显著，其能源使用 strongly influenced by customer shopping patterns（顾客购物模式）以及工作日与周末营业时间的差异，顾客密度与营业时间甚至可形成局部微气候，显著影响供暖、制冷及照明的整体能源需求。现有文献综述指出，当前研究主要存在三方面局限：一是过度依赖历史能耗与气象变量；二是对商业零售建筑关注不足，而该类建筑需求受营业时间、顾客活动、工作日–周末安排及运营实践强烈影响；三是极少评估邻近商业建筑能耗作为不可得行为与运营信息的代理变量（proxy variables）。因此，商业建筑负荷预测必须纳入这些具有动态空间依赖性的因素，采用能够整合多源时空数据的先进架构。挪威及北欧地区可持续能源解决方案研究正在快速推进，但针对多样化建筑类型的综合数据集仍然有限，而奥斯陆市政公司Oslobygg KF已为多种建筑类型收集了能耗数据，为本研究提供了基础。

针对上述空白，研究人员在挪威奥斯陆商业区开展了一项针对商业建筑动态能耗预测的实证研究。研究以11家商业商店（Store A至Store K）为对象，利用其2024年1月至12月的逐小时能耗记录（共8,786个数据点，其中6,938个用于训练，1,848个用于测试），系统对比了混合卷积长短期记忆网络（CNN-LSTM）与Transformer两种人工神经网络（Artificial Neural Network，ANN）架构在动态时间序列预测中的性能。研究构建了三种预测场景：仅使用3至10家周边商店的聚类能耗数据、仅使用干球温度、湿度比和太阳辐射等气象变量、以及将周边商店能耗与气象数据融合。主要研究结论表明：商业商店的能源需求 primarily driven by operational dynamics，与室外天气条件的关联性较弱；周边商店的能源数据可显著提升目标建筑的预测精度；在训练数据有限的条件下，Transformer模型 consistently outperforms CNN-LSTM；而当周边商店数据集扩展至10家时，CNN-LSTM取得了最低预测误差（MAE=0.90，RMSE=1.17，R²=0.943）。该研究为挪威及相似气候背景下的商业零售建筑时空能源预测提供了重要的现场实证依据，证实融合周边同类建筑能耗模式比单纯依赖气象数据更能有效反映商业建筑的真实能耗规律，对提升深度学习方法在动态时间序列能耗预测中的有效性、鲁棒性与现实适用性具有重要价值。

研究人员主要采用以下关键技术方法：构建了两种深度学习模型，即混合CNN-LSTM与Transformer架构。CNN-LSTM通过卷积层自动提取多变量空间特征，并由长短期记忆网络（Long Short-Term Memory，LSTM）捕获时序依赖；Transformer则基于自注意力机制（self-attention mechanism）实现对全输入序列的并行处理与长程依赖建模。研究设置了三种预测场景：仅使用3、5、7或10家周边商店的能耗聚类数据；仅使用干球温度、湿度比和太阳辐射等气象变量；以及将周边商店能耗与气象数据融合。样本队列来源于挪威奥斯陆地区11家商业商店2024年全年的逐小时能耗记录。所有模型基于原始数据集直接训练，采用统一超参数配置，并依据平均绝对误差（Mean Absolute Error，MAE）、均方根误差（Root Mean Squared Error，RMSE）和决定系数（R² score）进行性能评估。

在3. Introduction中，研究人员通过文献综述指出，现有建筑能耗预测研究多依赖历史能耗与气象数据，对商业零售建筑的营业时间、顾客流动及邻近建筑能耗代理价值关注不足，亟需采用能整合多源数据的时空架构。

在2. Methods中，研究人员概述了时间序列深度学习模型在建筑能耗预测中的技术演进，明确了LSTM、CNN及Transformer在捕捉时序模式方面的优势与定位。

在2.1. The Hybrid Convolutional Neural Network-LSTM (CNN-LSTM) Networks中，研究人员通过构建混合架构，利用卷积层提取空间层次特征与变量间模式，再由LSTM层模拟时序动态与长程依赖，从而实现对多元时间序列中复杂关联的高效学习。

在2.2. The Transformer Architecture中，研究人员阐述了Transformer摒弃传统循环递归结构，采用自注意力机制并行识别全序列依赖关系，在多变量输入、多步长预测及长序列处理中具备效率与可扩展性的优势。

在2.4. Analyzing Energy Consumption Patterns in Commercial Stores: Evidence from Oslo, Norway中，研究人员分析了挪威奥斯陆11家商业商店2024年全年逐小时能耗数据集（8,786个时点，按时间顺序划分为6,938个训练点和1,848个测试点），各店能耗跨度从不足20 kWh到近2,000 kWh，反映了不同商业功能的多元能耗特征。

在2.5. Leveraging Weather as an Exogenous Variables中，研究人员探讨了干球温度、湿度比及太阳辐射对供暖通风空调（Heating, Ventilation, and Air Conditioning，HVAC）系统运行及运营能耗的影响，指出天气对商店日最大与最小能耗有一定影响，但对逐时能耗影响较弱，营业时间、顾客到访及节假日等因素才是主导驱动力。

在2.8. Prediction scenarios using CNN-LSTM vs Transformer models中，研究人员构建了三种预测场景，系统评估周边商店数量（3至10家）、气象变量单独及融合使用对CNN-LSTM与Transformer预测精度的影响。

在3. Results中，研究结果表明，仅使用天气数据或天气与周边商店结合数据时，预测值与实际值偏差显著；而仅使用周边商店能耗数据时，两种模型的预测值均与观测值高度吻合。具体而言，在3家商店的小数据集场景下，Transformer误差更低（MAE=1.07，RMSE=1.39，R²=0.921），优于CNN-LSTM（MAE=1.10，RMSE=1.40，R²=0.919）；当周边商店扩展至10家时，CNN-LSTM误差最低（MAE=0.90，RMSE=1.17，R²=0.943），表现优于同条件下的Transformer（MAE=0.97，RMSE=1.26，R²=0.934）。

在4. Discussion中，研究人员总结指出，商业商店能耗与周围天气条件无强相关性，而是由顾客到访时间表、周使用模式及建筑系统运行等特定商店因素主导；周边同类商业建筑的时间序列能耗比气象数据更具预测价值；Transformer适用于受限数据集，而CNN-LSTM在扩展数据集上表现更优。

在5. Conclusion中，研究结论表明，商业商店动态时间序列能耗模式完全取决于营业时间、顾客到访安排、购物行为及 occupants 数量，天气条件与能耗需求相关性有限；两种模型均能估算挪威商业建筑的能源使用，但Transformer更适合小数据集，CNN-LSTM更适合大数据集训练场景。后续研究可纳入多年数据集及补充情境变量，如具体商店类型与暖通空调、照明系统规格差异，以进一步提升模型可靠性并降低预测误差。