Building-PROFet：一种可扩展的数据驱动建筑热负荷与电负荷剖面估算方法

《Energy》：Building-PROFet: A scalable data-driven modelling approach for estimating heat and electricity load profiles of buildings

　　

斯堪的纳维亚地区智能电表的快速部署，使建筑存量层面的细粒度能源监测成为可能，然而，将此类数据转化为可操作洞见的工具仍然有限。为弥补这一空白，本文提出Building-PROFet，一个用于估算建筑逐时供热与电力需求剖面的模块化、可扩展框架。该模型建立在能量特征（Energy Signature, ES）技术基础之上，引入了具有物理可解释性的建筑参数，并通过周期性修正以及额外气象变量（如风速和太阳辐照度）的纳入对其进行了扩展。通过明确区分参数估计与负荷预测两个阶段，模型透明性得到提升，并能够在不同时间尺度上支持稳健预测。

Building-PROFet基于真实世界逐时智能电表数据集运行，能够表征多样化建筑类型及不同能效水平。该框架支持聚合到街区或城市尺度，从而允许开展基于分位数的情景分析，用于基础设施规划和需求侧灵活性评估。利用来自公寓楼和商业建筑的样本外数据集进行验证表明，该模型具有较高预测精度（R²最高可达0.98），尤其在供热需求预测方面表现突出。

通过捕捉时间动态特征与住户驱动的变异性，Building-PROFet为传统基于仿真的方法提供了有力替代方案。该工具能够在基于参数进行预测的同时保障隐私，并提供可靠且可解释的能源需求剖面。其设计目标在于帮助工程师、能源供应商及政策制定者改进需求预测、优化能源系统，并支持风险感知型决策。

本文发表于《Energy》，提出了Building-PROFet这一面向建筑热负荷与电负荷剖面估算的可扩展数据驱动框架，旨在回应当前建筑能源系统规划与运行中“高分辨率计量数据已大量出现，但可解释、可扩展且能用于大范围负荷刻画的工具仍然不足”的现实问题。研究背景在于，欧洲电网在电气化加速与分布式能源增长的共同作用下面临电压越限和网络拥塞压力，而斯堪的纳维亚地区智能电表普及率接近100%，理论上为建筑能耗监测、负荷调控和需求侧灵活性开发提供了理想基础。然而，仅有数据并不足以形成有效支撑，尤其在建筑能耗领域，基于物理机理的仿真方法长期存在“计算值—实测值偏差”问题，且当时间分辨率从年尺度细化到小时尺度时，预测误差会明显放大。造成这种偏差的重要原因之一是住户行为与建筑运行模式难以被传统仿真充分表征。因此，研究人员开展本项研究，目标是构建一种既能继承能量特征（Energy Signature, ES）模型物理可解释性，又能更好利用智能电表实测数据并适应多类型建筑聚合分析的新方法。

研究人员在既有PROFet模型基础上进行了全面重构，提出Building-PROFet。该模型最核心的创新有两点：其一，将“估计阶段”和“预测阶段”分离，使建筑参数提取与后续负荷生成解耦，从而增强模块化、可更新性与隐私保护能力；其二，在传统仅使用室外温度的模型基础上，纳入风速与太阳辐照度等附加气象变量，并引入周周期与日周期修正项，以更准确刻画逐时能耗变化。研究结果显示，该方法在样本外验证中取得了较高精度，尤其对供热负荷的预测表现稳定，公寓和办公建筑场景下R²可达到0.93—0.98，说明该模型适合用于街区、城区乃至更大范围的能源需求规划、峰值负荷评估和风险感知型基础设施定容。这项工作的意义在于，它为工程应用与政策分析提供了一种兼顾可解释性、隐私友好性、可扩展性和实测驱动特征的建筑负荷建模路径。

在技术方法上，研究人员主要采用了以下几类关键方法。首先，基于智能电表逐时监测数据与邻近气象站天气数据构建训练数据体系，底层数据库来源于挪威多地建筑样本，涵盖住宅与非住宅建筑，并补充了持续观测数据。其次，以能量特征（ES）框架为基础，构建供热特征模型与电力特征模型，分别扩展为日尺度与小时尺度版本，通过B样条（B-spline）引入周周期和日周期效应。第三，在参数估计中使用最小二乘优化、正则化和约束求解，并结合NMBE、NMAE、R²等指标进行模型筛选。第四，在预测阶段通过对已校准建筑参数进行有放回抽样、逐时序列生成和面积加权聚合，形成群体平均负荷及分位数情景剖面。

以下结合论文主体结构，对研究结果进行浓缩解读。

3.1. Calibration-stage filtering
研究人员首先分析了校准阶段的模型筛选效果。为保证进入预测阶段的建筑参数具有足够稳健性，研究中使用R²与归一化平均绝对误差（NMAE）等统计指标设置过滤阈值。结果表明，在选定阈值NMAE=0.5、R²=0.5时，仅有7个建筑样本因拟合质量不佳而被排除，说明大多数样本能够通过所提出的估计框架获得较稳定的参数。进一步比较发现，公寓建筑整体NMAE低于多数非住宅类别，反映出住宅类建筑在使用模式和占用率方面更稳定，也更利于数据驱动模型学习其典型能耗规律。这一部分结果说明，适度的模型过滤有助于提升整体预测质量，同时不会显著削弱训练样本覆盖范围。

3.2. Validation
研究人员随后进行了样本外验证，以检验Building-PROFet在未见建筑数据上的泛化能力。验证对象包括公寓楼、市政公共建筑以及办公建筑等多种类型，覆盖供热与用电两个负荷维度。

3.2.1. Apartment blocks
在公寓楼供热负荷验证中，研究人员比较了不同版本模型及不同过滤强度下的表现。结果显示，Building-PROFet对应的Profet 3在严格过滤情形下取得R²=0.94、NMAE=0.11，略优于宽松过滤和未过滤版本，也优于旧版Profet 2。这表明，在公寓楼这种使用行为相对稳定的建筑类别中，该模型能够较好地重建供热需求变化规律；同时，剔除少量拟合较差样本能够带来轻微但稳定的性能提升。论文据此指出，过滤策略对模型效果具有积极作用，但在本数据规模下改进幅度较为温和。

3.2.2. Municipal buildings (Trondheim data (Sch, Nsh, Kdg))
在特隆赫姆市政建筑数据上，研究人员分别验证了供热模型和电力模型。对于供热负荷，养老院（Nsh）表现最佳，R²=0.93、NMAE=0.11；学校（Sch）次之，R²=0.90；幼儿园（Kdg）较低，为R²=0.84。该结果说明，Building-PROFet对于运行模式相对规律、热需求受外部气候驱动较明显的建筑类型更具优势。论文还展示了养老院全年逐时预测与实测对比，结果表明模型在全年范围内能够较好跟踪负荷变化，仅在夏季时段出现一定偏差，但总体仍落在分位数包络范围之内。

对于电力负荷，模型性能在不同建筑类型之间差异更大。学校类别预测效果最好，R²=0.87、NMAE=0.18，表明周周期和日周期建模对学校这类作息结构鲜明的建筑尤其有效。相比之下，养老院类别的电力负荷预测较差，R²为负值，且NMBE偏差较大，说明在该类别中，电力使用受占用行为、设备运行和运营模式影响更复杂，现有模型难以完全刻画。研究人员进一步指出，若按年总用电量重新缩放测量值，则相关误差指标会显著改善，说明主要问题来自系统性偏差而非时序波动捕捉失败。学校用电预测中，模型在寒暑假等特殊时段存在高估现象，也说明目前方法对节假日运行状态切换的显式刻画仍有限。

3.2.3. Office buildings (Oslo data)
在奥斯陆办公建筑供热验证中，研究人员使用两类参数集进行比较：一类来自Building-PROFet数据库中既有模型，另一类来自将奥斯陆数据集按70%训练、30%验证重新标定后的新模型。结果显示，两类模型均表现良好。既有模型在T等级办公建筑上达到R²=0.97，在R+等级上达到R²=0.96；新模型对应结果分别为R²=0.98和0.96。该结果表明，即使跨地点、跨年份应用，只要建筑类别和能效等级具有可比性，Building-PROFet提取的结构性参数仍具有较好的迁移性和代表性。研究人员同时指出，办公建筑聚合样本规模较大，这种聚合效应有助于平滑单体差异，从而提高模型验证分数。图示对比还表明，模型可较好追踪全年供热消费趋势，但在夏季略有高估。

4. Discussion
在讨论部分，研究人员首先强调了模型筛选的重要性。校准阶段的过滤能够减少低质量数据和异常行为建筑带来的干扰，从而提升预测稳健性，但过滤过严也可能损失训练集多样性，因此未来可考虑采用自适应阈值等更灵活策略。其次，论文对样本外验证进行了方法论层面的澄清：Building-PROFet本质上是一个“基于既有建筑群参数生成典型负荷剖面”的工具，因此其样本外性能不仅取决于模型结构，也受训练数据数量、质量以及验证数据与训练数据之间匹配程度的影响。

论文进一步将Building-PROFet与其他数据驱动方法进行比较。与ARMAX等自回归扩展能量特征模型相比，Building-PROFet没有引入显式自回归（AR）或移动平均（MA）结构，因此不依赖最近时刻观测值，更适合长期情景分析、跨气候条件预测以及存在缺失数据的应用场景。与随机森林、梯度提升、自动编码器和长短期记忆网络（LSTM）等黑箱机器学习方法相比，Building-PROFet牺牲了一部分对短期随机波动的拟合能力，但保留了建筑热损失系数、基底负荷、太阳得热因子、周期性使用模式等具有明确物理或运行意义的参数，因而更适合基础设施规划、风险评估和政策制定。

论文还总结了该模型的应用价值。对于建筑业主和工程师，Building-PROFet可用于系统定容、节能改造分析和分位数情景评估；对于能源公司，可服务于需求侧管理、区域供热网络优化和峰值负荷应对；对于政策制定者，该框架提供了在不直接共享高分辨率原始用能序列情况下利用智能电表数据开展基准评估和监管分析的可行路径，具有较强的隐私友好性。

同时，研究人员明确指出模型仍存在若干局限。其一，模型性能高度依赖训练数据质量和覆盖度，尤其商业建筑中占用模式复杂时泛化能力可能受限。其二，模型对内部得热、技术设备更新和长期行为变化主要采取隐式或静态处理。其三，模型输出的5%—95%分位数包络并非严格意义上的统计预测区间，而是来源于不同建筑参数集抽样所形成的群体结构性变异范围，不能解释为单栋建筑预测不确定性的置信区间。其四，参数估计阶段仍需要数值优化和正则化，虽然可并行化，但在大规模部署时仍受制于数据获取和计算流程。

研究结论部分可译为：本文提出了Building-PROFet，一个用于估算建筑供热与电力需求负荷剖面的可扩展、模块化数据驱动框架。通过采用能量特征（ES）模型，并引入附加气象参数和周期性修正，Building-PROFet相较于其前代模型在灵活性与可解释性方面均得到增强。该模型旨在解决现有能源需求预测方法中的关键局限，尤其是在改进建筑特异性参数校准、捕捉时间变异性以及生成具备物理可解释性的预测负荷剖面方面。验证结果表明，Building-PROFet在不同建筑类型和不同数据来源上均达到了较高准确度。样本外验证显示，该模型具有良好的泛化能力，尤其在公寓建筑供热需求预测中表现突出，R²达到0.93。对于商业建筑，模型在供热需求预测上表现良好，而电力需求预测因占用相关随机效应及数据集有限而呈现更高变异性。周周期和日周期分量的引入，显著改善了学校和办公建筑等具有结构化运行时间表建筑的负荷预测效果。从工程和能源管理角度看，研究结果表明Building-PROFet可支持负荷预测、峰值需求削减以及能效规划。通过提供基于群体分位数的预测，该模型为基础设施规划提供了风险感知型方法。这些分位数反映的是建筑类型和使用模式之间的变异性，而不是单栋建筑的置信区间，因此可为大尺度决策提供稳健依据。尽管该模型具有明显优势，但仍受数据依赖、模型简化和计算约束等因素限制。未来研究应着重于改进不确定性量化、探索混合建模方法，并拓展模型在更广泛应用场景中的适用性。总体而言，Building-PROFet代表了数据驱动建筑能耗建模的重要进展，为能源负荷剖面估算提供了一种可扩展、灵活且可解释的解决方案。