预测元素而非序列：用于每小时建筑能耗极高精度预测的ResNet代理方法

《Applied Energy》：Predict the element instead of the sequence: ResNet surrogate method for very accurate predictions of hourly building energy

　　

在建筑能耗建模中，代理模型（如人工神经网络）通常被训练用于预测基于物理的建筑能耗模型（building energy models, BEMs）的年或月能耗，并且通常表现出高精度。但预测小时级能耗变得越来越重要，因为研究人员正在处理诸如预测电网峰值负荷或使用详细实测能量数据校准BEMs等问题。只有少数研究解决了小时级预测问题，但它们要么设计空间复杂度低，要么精度低。本文中，研究人员开发了一种小时级代理建模方法，该方法大大优于文献中的其他方法。传统上，BEMs的代理模型使用一个大的数据序列（例如一年中的小时级天气）来预测一个大的能耗/负荷序列。相反，研究人员的大型卷积残差神经网络（即ResNet）使用几个小的数据序列（过去8小时的天气、建筑参数和时间表）来预测单个小时的热负荷和冷负荷。研究人员将“预测元素而非序列”方法应用于一个中型办公楼BEM案例研究，在两种天气情景下：(1) 在单一天气下训练和测试，(2) 在112个气候多样的天气文件上训练，并在30个未见过的天气文件上测试。在第一种情景下，模型的决定系数R²值高于0.9999，在第二种情景下，R²值约为0.99，从而证明了模型可以泛化到世界任何地方的天气。模型的最大误差出现在工作日的设定点温度在夜间和白天值之间转换的小时内。通过在未来工作中聚焦于这些小时，可以进一步提高代理模型的性能。

本研究围绕建筑能耗模型（BEM）的代理建模展开，重点解决小时级能耗预测的精度瓶颈。当前代理模型多聚焦于年或月尺度预测，但小时级预测对于电网峰值负荷分析及BEM校准至关重要。现有研究在小时级预测中面临设计空间复杂度过低或预测精度不足的问题，亟需一种高精度且能泛化到多种气候条件的建模方法。研究人员提出“预测元素而非序列”策略，利用大型卷积残差神经网络（ResNet，Convolutional Residual Neural Network）预测单个小时的冷热负荷，输入为过去8小时的天气、建筑参数及时间表数据。该方法在单一天气情景下取得R²值高于0.9999的极高精度，在112种气候多样天气文件训练且30种未见天气文件测试的天气不变情景下R²值约0.99，显著优于文献中的其他方法。研究表明，简化输出空间（仅预测单小时而非全年8760小时序列）并结合迭代预测，能更充分发挥深度神经网络的表达能力。论文发表在《Applied Energy》。

研究人员采用的主要技术方法包括：基于正交数组拉丁超立方采样（Orthogonal-array-based Latin hypercube sampling, LHS）生成训练与测试数据集，以增强空间填充性和减少特征共线性；构建包含194百万参数的ResNet架构，由4个卷积块（每块4层1D卷积，512通道，递减核大小[8,7,6,5]）和2个全连接块（每块4层，4096节点）组成，采用参数化修正线性单元（Parametric ReLU, PReLU）激活、批归一化（Batch Normalisation）、残差连接及AdamW优化器，并结合单周期学习率调度与权重衰减（0.05）以防止过拟合。训练数据来自EnergyPlus模拟的中型办公楼BEM（基于美国能源部商业参考建筑数据库新建筑原型），包含14个建筑参数（如围护结构热阻、窗热增益系数、暖通空调设定点等）和13个动态变量（天气、时间表、时间特征）。数据预处理中将输入标准化为零均值和单位方差。性能评估采用误差变异系数（Coefficient of Variation of Root Mean Square Error, CVRMSE）、平均绝对误差（Mean Absolute Error, MAE）、决定系数（R²）及自定义单变量决定系数（R_uni²）。

**5.1 单一天气情景**
- **超参数优化结果**：通过网格搜索评估21组超参数，基于正交数组LHS生成5041个样本，训练时间约5小时。最终选定超参数（批次大小2048，15个训练轮次，学习率0.0001-0.0002，权重衰减0.05，AdamW动量系数β₁=0.85，β₂=0.98）在5折交叉验证中表现稳健，平均R²约0.99994，CVRMSE约0.9%。
- **整体性能**：在883万小时测试集上，热负荷R²=0.999916、CVRMSE=1.00865%；冷负荷R²=0.999964、CVRMSE=0.860870%。多数预测误差在±1 kWh内，最大误差出现在设定点温度转换小时（如早7:00和晚21:00），由于负荷非线性突变导致。
- **时间序列性能**：在单次8760小时模拟中，热负荷R²=0.999941、CVRMSE=0.725502%；冷负荷R²=0.999960、CVRMSE=0.907105%。预测与BEM输出高度吻合，仅设定点转换小时有约3 kWh误差。
- **年度性能**：280个模拟的年度测试中，热负荷R²=0.999674、CVRMSE=0.691143%；冷负荷R²=0.999696、CVRMSE=0.718243%。单变量R_uni²接近0.99997，表明在参数单独变化时预测差异极准确。
- **对比时间序列预测**：与预测全年8760小时序列的对比ResNet（~70百万参数）相比，本方法R²更高（0.99994 vs 0.98863），CVRMSE更低（0.93% vs 13.38%），但训练时间更长（5小时 vs 0.64小时）。简化输出空间使模型更聚焦于输入-输出关系。

**5.2 天气不变情景**
- **整体性能**：在112个气候多样天气文件训练、30个未见天气文件测试的2.628亿小时数据集上，热负荷R²=0.986205、CVRMSE=32.6619%；冷负荷R²=0.997132、CVRMSE=16.2856%。优于Westermann等（R²约0.94），尽管训练数据少4倍且同时预测冷热负荷。
- **逐天气文件性能**：除塔吉克斯坦（极冷气候）外，多数天气文件R²>0.99。排除该异常文件后，热负荷R²提升至0.992572，CVRMSE降至11.2093%。
- **更小模型性能**：使用9百万参数的ResNet（训练时间45分钟），30个天气文件平均R²=0.991390（略低于194百万参数的0.991669），表明可通过小幅精度换取更快训练。

**讨论部分**总结：研究存在四项局限性——忽略详细暖通空调（HVAC，Heating, Ventilation, and Air Conditioning）系统效应、建筑参数设计空间可进一步扩大、设定点温度转换小时预测误差较大、训练时间长且GPU（Graphics Processing Unit）负担重。未来工作可引入未来变量输入以改善转换小时预测，并探索在BEM校准和能效改造设计等实际应用中的性能。

**研究结论部分**翻译：本研究提出了一种新颖的小时级BEM能耗代理建模方法，其性能优于文献中的其他方法。在两种天气情景下，研究人员训练了一个卷积残差神经网络（ResNet）来预测中型办公楼BEM的单个小时热负荷和冷负荷。文献中的大多数代理模型直接预测时间序列，而本研究认为这一方法学差异是性能提升的关键。代理模型也比文献中的其他模型更大，具有24个隐藏层和约1.94亿个参数。给定当前和过去8小时的建筑参数、天气及时间表数据，该模型预测给定小时的热负荷和冷负荷。为预测年度模拟，研究人员通过顺序预测单个小时来生成时间序列。通过大幅简化输出空间但迭代应用模型，模型能聚焦于建筑参数、当前/过去天气与时间表及能耗之间的关系，从而泛化到全年可能遇到的任何天气和时间表条件。研究认为，输出空间的简化及相应底层关系复杂度的增加，更好地利用了深度神经网络的表达能力。测试表明，预测8760小时序列的代理模型在映射建筑参数、天气、时间表与负荷关系时更为困难，部分原因在于输出空间过大。尽管“预测元素而非序列”策略导致训练时间显著增加（约5小时对比0.64小时），但该增量对于实际应用仍属合理。此外，更小ResNet的测试显示，总体精度几乎不随模型缩小而下降，因此可在几十分钟训练时间下以微小精度损失换取速度。通过多种测试案例，代理模型取得了比文献更高的精度：在单一天气文件下，热负荷和冷负荷的R²超过0.9999；在112个气候多样天气文件训练、30个未见天气文件测试下，R²约0.99，证明模型可泛化到世界任何地方的天气。建筑参数设计空间包含14个参数，覆盖不同BEM方面且范围更广。研究还首次发布了单变量性能指标，显示代理模型在此领域中表现优异，即当仅改变一个BEM参数时，模型预测的能耗差异与物理BEM高度一致。Park & Park（2023）指出，单变量性能差是代理模型广泛采用的一个潜在障碍。研究的主要局限性包括：未考虑详细HVAC系统、建筑参数空间可进一步扩大、设定点转换小时预测较差、以及训练时间和GPU密集性可能阻碍其更广泛采用。然而，这些限制并不削弱研究的有效性。本研究提出的方法可用于多种应用，包括使用小时级实测数据进行BEM校准，以及探索建筑设计对电网峰值负荷的影响。未来工作可探索此类高精度BEM代理模型的新应用，如建筑能耗建模中的不确定性研究。