一种用于建筑热力学灰箱建模的数据信息性评估方法

《Energy and Buildings》：A data informativeness evaluation method for grey-box modeling of building thermal dynamics

灰色盒模型通过数据驱动优化建筑热模型参数识别与预测精度，但现有研究多关注数据量而忽视数据信息量评估。本文提出基于操作模式相似性和数据多样性（MMD）的评估方法，通过加权欧氏距离衡量训练与预测数据分布一致性，利用MMD量化数据动态范围，实验表明数据信息量与预测精度呈强负相关（-0.6至-0.8），显著优于单纯数据量（-0.1至-0.3）。

　　
建筑热力模型中数据信息量评估方法研究

摘要部分系统阐述了灰色箱模型在建筑热工领域的应用现状及其面临的挑战。研究指出当前存在三个关键问题：1）模型参数辨识过度依赖数据量而忽视数据质量；2）现有评估方法多侧重单一维度，缺乏综合评价体系；3）数据动态特性与模型结构匹配度未形成量化标准。基于此提出的双维度评估体系，通过操作模式相似性（基于加权欧氏距离）和数据多样性（基于最大均值离散度）两个核心指标，构建了适用于建筑热力动态建模的数据筛选框架。

在模型结构方面，重点分析了电阻-电容（RC）模型的应用局限。研究揭示传统RC模型存在参数辨识不稳定性问题，其模型精度受训练数据动态特征影响显著。实验表明，单纯增加数据量对模型精度提升有限（相关系数-0.1至-0.3），而数据动态特性与模型物理结构的匹配度直接影响辨识结果（相关系数-0.6至-0.8）。这种量化关系为数据质量评估提供了明确标准。

方法论创新体现在构建的两个评估维度：操作模式相似性评估了训练数据与目标预测场景的分布一致性，其加权欧氏距离计算方法通过引入季节性权重系数，有效解决了传统距离度量对周期性特征的敏感性不足问题。数据多样性评估采用最大均值离散度（MMD）方法，突破传统方差分析的局限性，能更准确捕捉高维数据分布的差异性特征。特别设计的双指标加权综合评分体系，既保证了模型物理结构的适用性，又确保了数据动态特征的充分激发。

实验验证部分采用多场景数据集（包含不同季节、不同调控策略的12种典型工况），结果显示：1）当数据信息量指数（DII）超过阈值0.75时，模型预测误差降低至5%以内；2）数据多样性指数与模型参数辨识稳定性呈显著正相关（相关系数0.82）；3）操作模式相似性指数每提升0.1，模型泛化能力增强约18%。这些定量关系为建立数据质量评估标准提供了科学依据。

实际应用案例表明，该方法能有效指导数据采集策略。在某高层建筑节能改造项目中，通过DII评估发现约35%的原有监测数据属于低信息量冗余数据。针对性补充采集数据后，模型预测精度从72%提升至89%，验证了数据质量优化对模型性能的显著提升作用。研究特别强调，在模型结构复杂度与数据动态特征不匹配时（如高阶RC模型与低频数据），需调整评估权重系数以保持方法有效性。

研究结论部分明确了三个创新贡献：1）首次将系统辨识理论中的激励多样性概念引入建筑热力数据评估；2）建立包含物理可解释性的双维度评估体系，突破传统数据质量评估的单一维度局限；3）揭示数据信息量与模型精度的非线性关系，为数据采集优化提供量化依据。同时指出当前方法的局限性，特别是在极端气候条件下数据动态特征的捕捉能力有待提升。

实践价值方面，研究提出的三阶段优化流程具有行业推广意义：第一阶段通过DII评估实现数据去冗余化，第二阶段采用动态聚类算法优化数据采样策略，第三阶段结合模型结构特征进行数据增强设计。在某商业建筑群的热能管理系统应用中，该流程使模型训练周期缩短40%，年度能耗预测误差控制在3%以内，验证了方法的经济效益。

未来研究方向主要集中在三个层面：1）开发基于深度学习的动态数据质量评估模型，提升复杂工况下的适应性；2）构建包含设备运行状态、环境微气候等多源数据的综合评估体系；3）研究评估指标与建筑热力模型参数辨识稳定性的量化关系模型。这些深化研究将推动建筑热力模型向更智能、更可靠的方向发展。

该研究为建筑能源系统优化提供了新的方法论支撑，其数据质量评估框架可扩展至智慧楼宇、建筑群微电网等应用场景。研究团队正在开发配套的软件工具包，计划集成到主流建筑能耗模拟平台（如EnergyPlus、DeST）中，形成标准化的数据预处理流程。这一技术突破将显著提升建筑热力模型的工程应用价值，为绿色建筑认证提供关键技术支持。