结合物理建模与高斯过程回归，为大型公寓综合体的早期设计开发能源预测框架

《COMPOSITE STRUCTURES》：Development of an energy prediction framework for early-stage design in large-scale apartment complexes combining physical modeling with Gaussian process regression

　　鲁达·李|金东洙|李俊英|赵成洙|赵希珍|尹钟浩韩国大田市汉拔国立大学建筑工程系，邮编34158摘要在大型公寓楼的初期设计阶段准确预测能耗对于设定切实的节能目标以及评估不同设计方案至关重要。然而，由于实际可用信息有限，这项任务尤为困难，而能耗又受到大量公寓单元及其居住者随机行为的影响，从而导致极大的不确定性。为应对这一挑战，本研究提出了一种混合预测框架，将基于物理的建模（白箱模型）与统计分析相结合，用以估算公寓楼的能耗。该研究采用经过校准的自下而上建模方法，即先将单个公寓单元的白箱代表性模型放大到整个公寓楼规模。该代表性单元模型通过5,963个公寓楼的运行数据进行了验证。为明确体现由居住者行为带来的不确定性，研究采用了高斯过程回归方法生成40组随机负荷计划，进而用于迭代模拟。研究还基于四种不同的能耗群体设立了假设，以此确定预测区间，并构建了一个简化的加权平均公式来计算最低和最高的能耗水平。通过该方法得出的最低和最高能耗范围的误差率分别为23.9%和28.7%，远低于单纯回归模型所得的47%至51%的误差率，且通过自举置信区间进一步证明了模型的可靠性。所提出的方法为大型住宅项目在初期进行能源性能分析提供了一种快速且经济高效的框架，能为设计师和政策制定者提供可靠的、考虑不确定性的决策支持。引言据预测，到2050年，全球建筑能耗将以每年1.3%的平均速度增长[1]。通过采取能够综合考虑各种因素的适应性策略，如当地气候条件、居住者行为以及技术应用等，可以实现建筑的脱碳目标[2]。因此，许多研究人员开发出了更先进的 方法，以更准确地预测建筑能耗，从而为有效的节能措施提供支持。尤其是在设计初期进行精准评估，对于制定节能策略以及确保绿色建筑的长期可持续性具有至关重要的作用[3]。然而，由于有许多物理、运营和行为变量会影响建筑能耗，要准确反映这些因素仍是一项艰巨的任务[4]。预测结果与实际测量能耗之间存在较大差异，不仅会降低预测模型的可靠性，还会阻碍实现碳中和目标的进程。因此，迫切需要开发出能够在提高预测精度和可靠性的同时，尽量减少时间和成本的技术，以助力实现绿色建筑目标[5]、[6]。目前已有多种建筑能耗预测方法被提出。其中，像EnergyPlus这样的基于物理的仿真工具被广泛使用，因为当有详细准确的输入数据时，它们能够得出与实测数据相近的结果[7]、[8]。不过，这些方法需要高级的专业知识、大量的建模工作以及全面的输入数据。随着建筑系统及控制方式的日益复杂，构建和校准此类模型所需的工作量也在增加，这就限制了它们在常规设计中的应用[9]、[10]。相比之下，简化版的计算程序虽然能更快地得出评估结果，但往往存在预测误差。例如，韩国绿色建筑认证体系中所使用的强制评估工具，旨在为设计初期提供快速决策支持。该工具通常用于零能耗建筑（ZEB）的认证，通过每月一次的计算方式来减少仿真时间与计算负荷[11]。然而，由于其输入变量范围有限，且依赖基于月份的负荷计算，因此在精度和有效性方面存在持续缺陷，尤其无法捕捉到详细的每小时能耗变化情况[12]。这样一来，就很难足够细致地呈现出 HVAC系统随季节变化、人员流动模式以及室内外条件而产生的运行状况[13]。要获得ZEB认证并迈向全球碳中和目标，就需要更精确的能耗预测以及更先进的节能策略。但如前文所述，更高的预测精度通常意味着需要更复杂的模型和更大的数据集。对于大型建筑和开发项目，比如多栋建筑组成的综合体，这些要求会进一步增加时间和成本负担，成为在设计初期广泛应用的现实障碍。因此，有必要开发出能在精度与实用性之间取得平衡的预测技术。根据最新修订的《世界城市化展望报告》[14]，目前全球超过一半的人口居住在城市中，预计到2050这一比例还将上升至约68%。为应对城市化带来的建筑密度和能耗上升问题，有必要超越传统的单栋建筑分析方法，从更大的空间尺度，如建筑群或社区层面，来了解能耗特征。此处所说的传统单栋建筑分析方法，指的是那些将单个建筑模型视为独立的分析单元来评估其能源性能的方法。尽管这类方法可能运用基于物理的、统计学的或机器学习技术，但在当前背景下，它们的共同局限性在于无法有效处理整体需求预测、不同建筑之间的差异，以及为大型公寓综合体提供规划层面的决策支持。由于公寓综合体的设计初期需要快速估算在相同但有所差异的条件下多栋住宅建筑的能耗，因此需要一种能够衔接单栋建筑仿真与整体建筑预测的替代框架[15]。将分析范围从单栋建筑扩展到大规模系统，有助于克服单栋建筑评估在可再生能源可用性和成本方面的局限，同时也有助于提高在城市层面实现能源独立的可行性[16]。此外，在城市或电网层面进行大型建筑能耗建模还有诸多优势，尤其有助于为未来的能源效率提升、电网管理以及气候行动决策提供支持[17]。与主要着眼于评估单个相对独立结构性能的单栋建筑能耗预测不同，大型公寓综合体的能耗预测必须考虑多个住宅单元的整体需求变化、建筑之间的相互作用、共享基础设施的限制，以及计算实现的可扩展性。这些结构性差异从根本上改变了建模要求，亟需一种能够在大规模应用中兼顾随机性表现与计算效率的专用框架。在韩国，也出台了相关策略来推动低碳建筑和土地利用的发展，因为人们认识到，仅依靠单个建筑层面的节能措施不足以实现这些目标。因此，目前更加强调在城市层面制定宏观能源规划，尤其是提升社区和市政层面的能源独立程度[18]。为提高未来建筑能耗预测的准确性，有必要在设计初期进行详细评估，同时结合对建筑群或城市层面的大规模分析。这种整合式的方法有助于制定更为有效的节能策略，通过更全面地了解超出单栋建筑规模的能耗特征，从而推进碳中和目标的实现。因此，当务之急是开发出新的预测模型，既能体现大型建筑的能耗特征，又能确保在设计初期保持较高的预测精度。尤其是，这类模型必须在复杂性与有效性之间找到平衡，才能在实际设计初期得到广泛应用。为降低大型建筑能耗建模的复杂性，人们主要采用简化优化和预测模型开发方法。对复杂建筑进行简化后的几何模型，能够节省时间和计算资源，因此在高层建筑的初始设计及审核阶段尤为重要[19]、[20]、[21]。虽然过度简化可能会降低能耗预测的精度，但研究表明，除非将整个建筑简化为一个单一的热区，否则其对仿真结果的影响微乎其微[22]。金等人[23]利用DesignBuilder分析工具，通过简化建筑几何形状——具体是将塔式结构简化为简单的矩形框——开发出了用于预测冷暖能耗的模型。马等人[24]提出了一种方法，先将城市规模的建筑模型分解为具有明确边界条件的单个建筑，再根据各个建筑的仿真结果对城市规模模型进行重构和汇总。巴赫里等人[25]通过基于eQUEST软件中的关键参数建立多元线性回归模型，简化了能耗预测与优化工作。姆拉泽克等人[26]则用简化的电阻-电容（RC）网络和简化的热区模型，而非复杂的模型来对建筑负荷进行建模。朴等人[27]证明，简化建筑几何形状能够提升有限体积法（FVM）分析模型的网格质量，同时还提出了一种量化控制这种简化程度的方法，从而提高了数值分析的精度和效率。包括这些研究在内的近期研究，都致力于通过采用简化模型或基于单栋建筑的分析方法，来减少评估大型建筑能耗性能所需的时间和资源投入。有趣的是，这类方法往往能够同时提升预测的精度和效率。不过，这些方法通常还需要进一步的精细调整，比如利用真实世界数据进行详细分析和验证，才能进一步提升精度。为解决这一难题，人们广泛采用了灰箱建模方法，即将物理模型与机器学习技术相结合。这种方法被证明十分有效，因为它首先通过一定程度简化建筑几何形状来构建代表性模型，然后再运用机器学习技术来提升对大型建筑能耗的预测精度[28]。通过结合基于物理的模型的精确性与数据驱动方法的灵活性，这种混合方法能够提供更为精准且具备可扩展性的建筑能耗预测能力[29]、[30]。目前，越来越多的机器学习（ML）技术受到关注，人们希望借助这些技术开发出能够更准确预测真实建筑中复杂的能耗模式，并能灵活适应各种变化情况的模型[31]。范等人[32]提出并验证了一种基于深度学习的特征工程方法，该方法提升了建筑能耗预测的性能。尤其是生成对抗网络（GAN）方法，在通过生成逼真的建筑能耗曲线，显著提升了传统模型的预测精度。江等人[33]引入了一种结合物理先验的模块化神经网络（ModNN），旨在克服传统建模方法的局限性，比如对特定建筑数据、专家知识的依赖以及过高的建模工作量等问题，他们通过提升预测精度和实现最优控制，实现了超过43%的能耗节约。余等人[34]强调了机器学习的一个子领域——强化学习（RL）在降低因居住者行为而产生的预测不确定性方面的作用，而居住者行为正是影响建筑能耗的最重要因素之一。丁等人[35]利用马尔可夫模型和对数逻辑生存模型开发出了居住者行为预测模型，其预测误差率仅为13.04%。这些机器学习技术展现出了强大的能力，能够捕捉建筑能源系统中那些往往难以用纯基于物理的模型来表示的非线性关系和复杂相互作用。此外，它们还能适应环境变化，整合多种数据来源，从而进一步提升预测精度和建模的灵活性[36]、[37]。总体而言，这些研究探讨了多种旨在解决计算难题并确保建筑能耗建模精度的方法，尤其适用于高层建筑、城市规模系统以及海量数据集等复杂的大型环境。尽管在这些方法上取得了进展，但现有文献仍然存在两个主要局限性。首先，虽然高精度模型能够提供精确的预测结果，但由于它们极度依赖详尽的输入数据以及专业人才，因此在设计初期往往无法获取这些信息，这就构成了很大的障碍。其次，尽管机器学习模型在捕捉复杂模式方面表现优异，但如果没有大量的历史数据，它们往往难以充分考虑居住者行为的随机性。因此，仍然需要一种能够平衡计算效率与在大型住宅项目中量化不确定性能力的综合方法。文献综述指出，有一些方法可用于提高大型建筑能耗预测的精度，包括适当的模型简化策略、机器学习技术的应用以及多种数据源的整合。然而，当将这些方法应用于大型公寓综合体时，会发现存在两个根本性的局限性。首先，预测精度与实际应用性之间始终存在着矛盾。像EnergyPlus这样的复杂仿真工具虽然精度很高，但却需要高水平的专业知识、大量的计算工作以及详尽的输入数据，这使得它们在设计初期难以被广泛应用。相比之下，简化的监管工具或强制性的计算工具虽然能够实现快速评估，但其结果往往与实际能耗存在较大偏差。这种差异降低了早期决策的可靠性。其次，传统的单建筑分析方法无法充分体现大规模公寓楼群所具有的聚合性及随机性能源需求特征。多个住宅单元的集体行为、基础设施之间的相互作用以及需求随时间的变化情况，都无法通过单独针对单个建筑的评估来准确把握。上述两个局限性，即（1）精度与便捷性之间的权衡，以及（2）无法体现大规模的集体动态特性，构成了本研究所指出的主要研究空白。为填补这一空白，本研究旨在开发一种可扩展且计算效率高的电力消耗预测框架，专门用于大规模公寓楼群在早期设计阶段的能耗预测。所提出的框架针对上述局限性采取了相应措施：•为解决精度与便捷性之间的矛盾，本研究采用自下而上的原型建模策略，在降低建模工作量的同时保持模型的物理真实性；•为捕捉由居住者行为带来的随机变化，研究中引入高斯过程回归技术，用以生成概率性的照明和电器负荷计划，因此本研究中的不确定性主要源于这些最终使用计划，而非暖通空调系统行为的随机性；•为确保该框架能应用于复杂规模的项目，本研究对单元级模型进行了系统化扩展，以反映大型住宅开发项目中的整体需求特征。通过将物理建模与统计不确定性量化方法有机结合，该框架实现了快速且可靠的大规模电力需求预测。本研究特别关注公寓类住宅建筑，因为实现碳减排越来越依赖于电气化和可再生能源的整合[38]、[39]。在以电力为核心的城市能源系统中，准确预测随时间变化的电力需求是实现智能建筑运营、构建互动式电网社区以及规划可再生能源发展的前提条件[40]。因此，为大规模住宅楼群开发可靠的电力消耗预测模型，有助于推动未来实现碳中和的城市发展战略。本研究在先前研究的基础上[41]，提出了一种基于原型的大规模能源估算方法，经验证其误差率为9.4%，在显著减少分析时间的同时保证了预测的可靠性。本研究的创新之处并不在于提出了诸如高斯过程回归这样的全新独立算法，而在于开发并验证了一种集成预测框架，该框架将基于物理的建模方法与高斯过程回归相结合，用于大规模公寓楼群的早期设计阶段，能够生成反映居住者行为随机性的负荷计划，并进行不确定性量化。由于早期设计决策会对建筑的长期能源性能产生重要影响[42]，所提出的框架为设计师和政策制定者提供了一种快速、可扩展且具有成本效益的决策支持工具。

**部分内容摘录**
**自下而上建模方法**
文献综述表明，在建筑能源建模过程中应避免过度简化或过于详细的方法，以确保精度与实用性之间的平衡。为达到这一平衡，本研究采用自下而上的建模方法，该方法既能在单元层面保证高精度、基于物理的建模质量，又能通过向整体层面的扩展来提升计算效率。借助共享的结构特征……

**应用流程**
预测公寓楼群年度电力消耗的方法包括三个主要步骤，即数据预处理、预测模型构建以及模型验证，具体流程如图3所示。第一步为回归模型的构建与泛化处理。从公开的国家数据库中获取的2,675个公寓楼群数据中，去除了Z值超过3的异常值，最终得到2,496个经过筛选的楼群数据。为确保训练数据的稳定性……

**平均消耗预测模型的构建**
为聚焦于未来可能应用的现代公寓楼群，本研究首先根据以下标准筛选出了2,675个公寓楼群：建造年份在2000年之后，每个楼群至少包含两栋建筑，且住宅单元数量超过100户。随后，研究采用基于Z值的筛选方法（Z＞3），剔除异常值，从而减少非典型能耗模式的影响。如图4所示，处于外椭圆（密度椭圆函数）之外的数据点……

**结论**
本研究将以往针对单建筑能源预测的研究成果拓展到了更复杂的多建筑或大规模预测领域。研究通过采用具有代表性的韩国公寓模型以及实际的电力消耗数据，建立了用于预测公寓楼群能源消耗的数学模型。该模型是基于韩国七个地区2,496个公寓楼群的月度累计电力消耗数据构建的。本研究……

**CRediT作者贡献说明**
Ruda Lee：撰写——初稿、资源准备、方法论、数据收集、正式分析、数据整理。Dongsu Kim：撰写——审稿与编辑、项目监督、项目管理、方法论、资金申请、正式分析、概念构思。Junyoung Lee：可视化处理、软件应用、正式分析、数据整理。Sungsu Jo：撰写——审稿与编辑、可视化处理、概念构思。Heejin Cho：撰写——审稿与编辑、项目监督、方法论、概念构思。Jongho Yoon：……

**利益冲突声明**
作者声明不存在任何可能影响本文研究成果的已知财务利益或个人关系。

**致谢**
本研究得到了韩国政府工业通商资源部资助的韩国能源技术评价与规划院（KETEP）的拨款支持（项目编号：RS-2023-00266248）。此外，本研究还获得了韩国政府科技信息通信部资助的韩国国家研究基金会（NRF）的拨款支持（项目编号：RS-2024-00459468）。