基于机器学习的校园建筑能耗预测方法在气候变化情景下的应用：迈向可持续能源管理

《Engineering Applications of Artificial Intelligence》：Machine learning-based forecasting of campus building energy consumption under climate change scenarios: Toward sustainable energy management

校园建筑能耗预测与优化策略研究，采用特征工程与机器学习模型分析气候情景下能耗趋势，LSTM模型在短期预测中MAPE达4.24%，SHAP分析揭示关键影响因素包括历史趋势、校园日分类及未来天气。研究提出整合预测与管理框架，为碳中和目标提供决策支持。

　　

蒋祖扬|杨昭旭|邱佩德

台湾国立大学环境工程研究生院，台北市大安区中山路71号，106

摘要

全球气候变化日益严重，建筑能耗占全球总能耗的40%。机器学习在预测和控制建筑能耗方面具有巨大潜力。本研究通过特征工程和机器学习分析校园电力消耗数据，探讨了在不同气候变化情景下的建筑能耗趋势。收集了天气数据和历史建筑数据，用于数据预处理和特征选择。构建并优化了三种类型的机器学习模型，使用了树结构Parzen估计器（TPE）算法。长短期记忆（LSTM）模型在短期预测中的平均绝对百分比误差（MAPE）为4.24%，比随机森林（RF）和多层感知器（MLP）模型分别提高了0.36%至1.06%。进一步通过Shapley加性解释（SHAP）分析发现，前一天的趋势、一周前的趋势、校园日分类以及明天的校园日类别是关键影响因素。在高排放情景“共享社会经济路径”（SSPs）5-8.5下，预计2028年至2048年间校园建筑能耗将增加18%-23%。本研究提出了一个综合的建筑能源管理框架，将能源负荷预测与气候变化情景相结合，为可持续学校和净零排放路径提供了重要见解。

引言

全球气候变化导致极端天气事件频发，各国正在积极制定策略以减少能源消耗并减轻环境影响。根据联合国环境规划署2020年的报告，建筑行业占全球能源消耗的40%，而国际能源署估计其节能潜力高达65%。各国应建立类似欧盟的近零能耗建筑标准（Jung等人，2023年），以促进建筑行业的能源效率。建筑能源管理正朝着高能效和智能化方向发展。当前的建筑能源管理系统主要监控设备管理数据，但数据分析主要集中在与能源使用直接相关的信息上。预测方法包括统计分析、机器学习（Khalil等人，2022年）和能源模拟（Marino等人，2019年）。将这些预测方法与建筑环境、气象参数和用户行为数据等变量结合使用，已被证明对预测建筑能耗有效（Shapi等人，2021年）。例如，Amber等人（2018年）利用太阳辐射、温度、风速、湿度和工作日指数，通过五种机器学习模型预测了一栋行政建筑的能耗。人工神经网络（ANN）模型的预测误差最低，均方根误差（RMSE）为26，平均绝对百分比误差为6%。此外，Faiq等人（2023年）证明，结合六个环境和气象参数（如压力、温度、相对湿度、风速、降雨持续时间和降雨量）以及两个用户行为数据（如工作日和封锁类型），使用LSTM方法可以有效预测校园建筑的能耗。然而，现有模拟技术在预测值与实际运行值之间往往存在差异，而用于能源消耗预测的深度学习技术仍不成熟（Dong等人，2021年；Haben等人，2021年）。

此外，缺乏标准化的建筑数据集阻碍了系统化的数据整合（Fathi等人，2020年），这突显了确定关键预测变量的重要性。最近使用SHAP进行特征重要性分析，以确定对建筑能耗影响最大的变量。例如，在COVID-19疫情期间，封锁类型被确定为预测能耗的最重要参数（Faiq等人，2023年）。另外，在教育建筑的能耗预测中，前一天的能耗、温度-湿度指数和风寒指数也被发现是相对重要的因素（Moon等人，2022年）。这些发现表明机器学习和特征重要性在建筑能耗预测中的作用日益重要。

在台湾，商业和住宅建筑占总电力消耗的36%，其中空调使用在夏季达到高峰。台湾经济事务部（2021年）的研究表明，空调占办公楼夏季电力消耗的47%，家庭占49%。有效减少空调功耗对于避免高峰期的电力短缺至关重要。短期能耗预测有助于管理需求并实施控制策略，从而降低空调和照明的能耗，节省电力和成本（Seyedzadeh等人，2020年）。根据台湾行政院的“2050年净零排放路径和战略”，净零建筑是减排的关键策略之一，建筑能源效率评估和标签是实现净零建筑的有效手段。台湾多所大学已响应净零排放战略，台湾国立大学（NTU）计划到2048年实现校园碳中和。鉴于校园建筑消耗的能源比例较大，建立专门的建筑能耗指标作为校园建筑能源管理的评估工具至关重要，从而实现校园净零碳排放战略。

尽管全球取得了进展，但在为台湾校园建筑建立能耗预测模型方面仍面临三个挑战。第一个挑战是由于电力消耗与人类活动模式及季节性变化之间的密切关系，难以调节供需。解决供需不平衡需要区间预测来考虑不确定性并检测异常用电情况。此外，由于进行校园建筑电气检查的成本高昂且耗时较长，实际调查受到限制，这使得快速建立能耗模型与变量之间的关联变得困难。第二个挑战是影响能耗的因素多种多样，包括设备运行条件、使用时间、设备老化、建筑材料和地理位置以及气候条件。第三个挑战是缺乏详细的研究数据和气候变化情景预测的模型验证，尽管气候变化对建筑能耗有显著影响。

为了克服这些挑战，本研究提出了一个新颖的两阶段框架，结合了深度学习、区间预测和基于SHAP的特征解释，这种组合在校园能源预测中很少应用，特别是在气候变化情景下。本研究关于建筑能耗预测模型的目标如下：

• 1.
  开发一个概率预测模型，使用分位数区间描述未来建筑能耗的不确定性。
• 2.
  使用不同的算法、训练数据量和超参数调整等机器学习方法，优化模型的准确性和稳定性。
• 3.
  从历史校园能耗数据中提取关键变量，并引入活动变量以提高电力消耗预测的准确性。利用SHAP分析探索变量与结果之间的关系，提出有效的节能策略。
• 4.
  使用能耗模型调整特征和参数以适应不同的气候变化情景，探索电力消耗与人类活动模式之间的关系。这将有助于理解未来的建筑能耗趋势，并为学校制定应对策略提供依据。

研究过程和框架

研究过程和框架

图1展示了整体研究框架，采用两阶段方法论过程，利用机器学习预测和分析校园建筑能耗。该框架旨在解决短期预测准确性和气候变化情景下的长期能源规划问题。台湾国立大学的环境研究大楼作为案例研究。

第一阶段重点开发和验证一个监督学习模型

特征选择工程结果

图3显示了所用变量的皮尔逊相关系数。在气象变量中，大气压力、相对湿度、风速和风向等参数与能耗趋势呈负相关或弱相关（r = ?0.4至0.25）。相比之下，干球温度、露点温度和太阳辐射等变量表现出更高的相关性（r = 0.43至0.54），这与实际的热舒适度情景相符

结论

本研究专注于开发一个结合深度学习、区间预测和特征重要性方法的建筑能耗预测模型。首先，在机器学习模型中，LSTM模型在预测短期和长期能耗方面表现优异，MAPE分别为4.24%和4.83%。模型应用分析表明，LSTM模型适用于具有相似能耗特征的建筑物。其次，

作者贡献声明

蒋祖扬：撰写——原始草稿、可视化、验证、软件、资源、方法论、调查、正式分析、数据整理、概念化。杨昭旭：撰写——审阅与编辑、可视化、验证、软件、方法论。邱佩德：撰写——审阅与编辑、验证、监督、资金获取、概念化。

利益冲突声明

作者声明没有已知的财务利益或个人关系可能影响本文的研究结果。

致谢

我们衷心感谢国家科学技术委员会（NSTC 113-2621-M-002-011）的支持。同时感谢谢昭宇提供本研究使用的数据。