一种先进的框架，通过采用多种混合方法来评估多种建筑类型的节能潜力

《ENERGY AND BUILDINGS》：Advanced framework for evaluating energy saving potential across multiple building types via implementing multi-hybrid methods

　　夏凤华|韩璐月|周 Song|潘伟|张雷|顾守普|赵夏
中国山东省滨州市滨州职业技术学院建筑工程学院，邮编256603

**摘要**
通过机器学习预测住宅、商业和工业建筑中的节能潜力是一种新颖且高效的方法。机器学习算法能够分析复杂的数据模式，以检测效率低下的环节、预测节能效果并优化能源利用策略。本研究提出了新的机器学习模型，基于加利福尼亚南部商业、住宅和工业建筑的电力消耗数据来预测节能潜力。研究采用了多种预测模型和优化算法，包括AdaBoost回归、随机梯度提升、Lasso回归、Flower施肥优化算法和Starfish优化算法。同时，还利用Dempster–Shafer理论通过整合单个模型来构建集成模型。通过方差膨胀因子进行多重共线性分析以检测特征之间的相关性。此外，还应用了SOBOL技术和余弦幅度方法进行敏感性分析。结果表明，结合预测算法与优化技术及集成策略的混合建模方法在预测节能效果方面具有高准确性和低误差。这些模型可以预测出节能的可行时间和地点，从而实现有针对性的干预，并将预测结果整合到能源管理系统中，实现实时监控和能源消耗的自动化优化。

**引言**
由于全球对能源资源快速枯竭和环境问题的关注[1]、能源价格的上涨[2]以及能源需求的增长[3]，节能问题近年来受到了研究人员的重视。在城市实现能源可持续性方面，节能至关重要[4]。鉴于城市占全球总能源消耗量的约70%[5]，当前的城市化和工业化进程导致了能源消耗的增加。提高能源效率是全球普遍面临的问题，尤其是在制造业中[6]、[7]。在全球变暖日益严重的背景下，减少能源使用和排放的需求日益迫切[6]、[7]。工业能源约占全球能源消耗的30%[8]。减少工业能源使用的首要步骤是通过进行能源审计并推荐更高效的能源消耗方式来最小化能源消耗[9]、[10]。此外，由于冰箱、移动设备、洗衣机等电器的过度使用，家庭能源消耗也在增加。因此，优化能源输入至关重要，本研究利用机器学习进行能源预测，以帮助减少能源浪费。机器学习采用数据驱动的模型，关注原始数据与变量之间的关系，而非方程和计算[11]。审计机构和制造厂拥有大量的历史能源审计数据，这些数据可以用于机器学习模型，以更准确地识别节能机会。最近，许多研究人员利用多种机器学习技术对不同类型建筑在不同时间段内的能源消耗进行了预测[12]、[13]、[14]、[15]。按预测模型分类，一些研究人员针对单个建筑[12]、[13]、[14]、[15]或建筑群[16]、[17]进行了模型训练和能源消耗预测，使用了支持向量机（SVM）模型[18]、[19]。

**文献综述**
本节对相关研究进行了系统性的回顾。对于每一组研究，简要概述了研究方法，强调了主要优势和局限性，并总结了主要结果。还讨论了常见的评估指标，并比较了不同方法的结果。通过分析，指出了研究中的空白，并证明了本文提出解决方案的必要性。Yu等人[20]评估了一种利用深度强化学习的智能建筑能源管理系统，提出了未来研究方向的潜在解决方案。Talei等人[21]创建了一个时间序列模型，利用无监督机器学习技术评估智能建筑的能源效率，该方法与其他方法相比节能效果提高了6%。Papadopoulos等人[22]采用优化驱动系统来微调大型办公楼的供暖和制冷系统，以提高能源效率和居住者的舒适度，他们使用遗传算法解决了这一多目标优化问题。该算法的参数被设置为HVAC系统的设定值，但尚未在实时数据中应用。Susac等人[23]创建了一个利用机器学习方法提高智能城市能源效率的模型，他们将大规模数据平台与机器学习相结合，建立了专注于城市环境能源效率的智能系统。能源预测模型使用了深度神经网络、随机森林和多元回归技术。通过这些策略收集大数据，该模型减少了建筑中各种来源的能源消耗并提高了系统效率。此外，他们还讨论了构建利用机器学习实现智能建筑能源高效系统所需的技术要求。Sakuma和Nishi[24]开发了一种能源消耗系统，该系统针对住宅建筑的HVAC单元使用DQN和DNN，与替代方法相比节能效果提高了34.5%。Gao等人[25]为实验室HVAC单元建立了一个能源成本系统，使用DDPG和DNN，与其他方法相比节能效果提高了4-9%。Li等人[26]利用XGBoost、CATBoost和三种优化方法，基于土耳其电力传输公司大约400个月的电力消耗数据预测了建筑群的能源消耗，其中XGBoost是最佳预测模型。Roth等人[27]利用随机森林和Lasso回归预测了来自美国和欧洲24,000栋建筑的能源消耗，两种模型的表现相似。

**节能潜力预测模型的不足**
现有文献中缺乏针对节能潜力的预测模型。鉴于加利福尼亚南部典型一天内住宅、工业和商业建筑的能源需求，本研究采用了AdaBoost回归（ADAR）、随机梯度提升（SGB）和Lasso回归（LR），并结合了一种名为Flower施肥优化算法（FFOA）和Starfish优化算法（SOA）的优化算法，以提供准确的电能节约潜力预测模型。Dempster-Shafer理论（DST）用于整合各个模型的最佳组合。选择SGB是因为它能够捕捉复杂的非线性关系并通过随机化减少过拟合。ADAR通过关注难以预测的案例来提高预测精度，从而对能源数据中的噪声和异常值具有鲁棒性。Lasso回归在特征选择方面效果显著，通过消除冗余变量简化了模型。总体而言，这些模型结合了准确性、稳定性和可解释性，非常适合预测不同使用模式下的节能潜力。此外，通过方差膨胀因子（VIF）进行多重共线性分析，并通过R2和RMSE等统计指标以及相关分析方法（CAM）和SOBOL进行敏感性分析。

**数据收集**
该数据集提供了2018年1月至2024年1月期间加利福尼亚南部不同建筑的详细能源消耗数据，涵盖了住宅、商业和工业部门的每小时电力消耗记录以及相应的环境和运营数据。数据来自加利福尼亚州的100多个设施，通过智能电表和物联网传感器收集。

**评估指标**
本研究使用了五个统计指标来评估和比较模型的预测结果：R2、平均绝对百分比误差（MAPE）、均方根误差（RMSE）、散布指数（SI）和Theil指数（UI）。这些指标的定义和公式如下：

**机器学习在节能潜力方面的局限性**
多种因素限制了机器学习的节能潜力。高质量、全面的数据至关重要，但现实世界的能源数据往往不完整、噪声较大或不一致，隐私问题也限制了数据的可用性。机器学习模型难以在不同建筑和条件下进行泛化，需要频繁重新训练。由于这些模型捕捉的是相关性而非根本原因，可能会忽略系统的基本动态，导致预测结果不够可靠。

**结论**
本研究引入了新的机器学习模型，利用加利福尼亚南部商业、住宅和工业建筑的电力消耗数据来预测节能潜力。研究使用了多种预测模型和优化算法，包括AdaBoost回归（ADAR）、随机梯度提升（SGB）、Lasso回归（LR）、Flower施肥优化算法（FFOA）和Starfish优化算法（SOA）。此外，本研究未涉及人类参与者或实验动物，因此不需要伦理批准。

**作者贡献**
夏凤华：撰写——审阅与编辑、撰写——初稿、软件开发、项目管理、概念构思。
韩璐月：撰写——审阅与编辑、撰写——初稿、资源收集、数据整理。
周 Song：撰写——审阅与编辑、撰写——初稿、验证、数据分析。
潘伟：撰写——初稿、可视化、资金获取、正式分析。
张雷：撰写——审阅与编辑、撰写——初稿、资源整理、方法设计。
顾守普：撰写。

**资金**
本研究未获得外部财务支持。

**利益冲突声明**
作者声明没有已知的利益冲突或个人关系可能影响本文的研究结果。

**致谢**
作者没有其他需要声明的内容。