《ENERGY CONVERSION AND MANAGEMENT》：Calculating true energy savings: A validated model approach
编辑推荐：
Juraj ?ukelj|Marino Grozdek|Tomislav Veliki|Vlasta Zanki克罗地亚萨格勒布大学机械工程与船舶学院热力学及热过程工程系摘要公共建筑的深度改造是减少能源使用的核心策略，然而预测节省量与实际节省量之间的差距仍然是能源绩效合同财务可行
Juraj ?ukelj|Marino Grozdek|Tomislav Veliki|Vlasta Zanki
克罗地亚萨格勒布大学机械工程与船舶学院热力学及热过程工程系
摘要
公共建筑的深度改造是减少能源使用的核心策略，然而预测节省量与实际节省量之间的差距仍然是能源绩效合同财务可行性的障碍。一个根本性的困难在于节省量无法直接测量，而必须通过经过验证的能源模型来推算。本文提出了一个结构化的框架，在该框架中，基于物理的模型和数据驱动的模型各自被赋予不同的合同功能，并展示了将每种模型应用于非预期用途所带来的后果。通过对一栋经过改造的十层学术建筑进行符合HRN EN ISO 52016–1标准的动态每小时模拟，并运用蒙特卡洛不确定性传播方法来量化预期的节能效果。另一个基于前馈神经网络的模型则利用第二栋建筑的多年数据来预测改造后的能源使用情况并评估设定点的敏感性。为了便于直接比较，该神经网络也仅使用单季数据对改造后的建筑进行了预测。基于物理的模型在整个供暖季节内对测量到的供暖能耗的再现误差在10%以内，并以90%的置信区间确认了48.9%的节能效果。而基于数据的模型在多季节数据下能够准确预测，但在单一供暖季节的数据下则无法体现这一效果。结果表明，基于物理的模型对于建立改造前的基准至关重要，而数据驱动的模型则在有多季节数据时最适合用于运营监控。
引言
建筑行业占全球能源消耗量的近40%，以及温室气体排放量的约30%。在欧盟，建筑行业负责36%的温室气体排放和40%的最终能源需求[1]，这使得深度能源改造成为实现2050年气候中和目标的核心策略[2]。2024年通过的《建筑能效指令》进一步强化了这一优先事项，制定了最低能效标准和更高的改造率目标。尽管有这些政策举措，预测与实际节能量之间的持续差距仍然是有效改造计划的主要障碍。最近的一项研究指出，这种差异是一个系统性问题，受建筑类型、气候、占用情况和建模假设的影响。对近90,000处荷兰住宅的大规模研究表明，超过一半的改造建筑未能达到预期的节能效果[2]；而对立陶宛后苏联时期建筑的调查显示，实际节能效果始终低于工程估算[3]。
在许多情况下，改造是通过能源绩效合同（EPC）来融资的，能源服务公司（ESCO）保证达到最低节能水平，并从实现的节能中收回投资成本[4]。节能效果是根据基准能源模型确定的，并通过遵循既定协议的测量和验证程序来验证[5]。如果基准模型或验证规则定义不当，合同双方之间出现分歧的风险会增加[6]。在这一背景下，能源建模不仅具有技术意义，还具有法律和财务意义；不准确的节能估算可能导致合同纠纷、服务公司的损失、投资者信心下降以及改造率降低。对确定性和数据驱动的节能量化方法的回顾表明，建模方法的选择会影响结果的可靠性，结合这两种方法的混合方法显示出潜力[7]。
性能差距的来源多种多样。大多数模拟工具假设整个供暖季节的渗漏率保持不变，但这未能捕捉到风速、压力差和使用者行为导致的空气泄漏动态[8]。这种简化可能导致供暖需求估算的误差，特别是在寒冷气候和高层建筑中，层压效应和风压效应较为显著。模拟工具中使用的标准化输入参数基于平均值或规定值，可能无法代表特定建筑或用户群体，从而导致改造效果不佳和错过进一步节能的机会[9]。室内环境质量的问题也变得更加复杂，通风不良的建筑需要额外的通风来维持使用者的舒适度和健康，从而增加能源消耗，超出了模型的预测[10]。用户行为，包括比模型假设更高的设定点温度和开窗模式，会显著影响实际能源使用情况[11]。实际的天气条件和占用模式也与设计阶段假设的不同，进一步加剧了模型的不准确性[12]。因此，单一的建模方法往往不足以全面捕捉改造后建筑的运行复杂性[13]。
为了解决这些限制，研究人员开发了多种建模方法。基于物理定律的白色箱体模型和标准化方法（如HRN EN ISO 52016–1）提供了透明性和可重复性，但需要详细的输入数据，并且对假设敏感。验证研究表明，与之前的EN ISO 13790相比，ISO 52016–1的每小时方法具有更高的动态准确性，尽管与TRNSYS等详细模拟工具相比，供暖需求的差异高达40%[14]。各国还制定了附件以提高准确性，其中意大利附件指出，基于太阳角度的窗户修正是最敏感的建模选项[15]。基于机器学习技术的黑色箱体模型（包括人工神经网络）需要大量的历史数据集，但能提供快速且适应性强的预测[16]。最近的实证比较表明，经过校准的白色箱体模型比基于长短期记忆（LSTM）的多个黑色箱体模型提供了更稳定和可靠的能源预测结果，后者则需要更多的数据才能达到类似的准确性[17]。将实际运行数据整合到这两种方法中可以提高估算的准确性[18]。
研究人员开始关注结合基于物理的建模和数据驱动方法的混合方法。机器学习模型与标准化计算相结合被用来预测改造后的节能效果[19]，而基于测量的验证框架已应用于大规模项目。来自改造项目的监测数据显示，实际节能效果通常低于预测值，这主要是由于行为因素[20]。同时，多项案例研究表明，当详细的监测数据支持模型校准时，可以实现准确的预测[21]。随机方法（如蒙特卡洛模拟）也被用来量化预测的不确定性[16]。
尽管取得了这些进展，但仍有显著差距[22]。虽然基于物理的标准（如ISO 52016–1）和数据驱动的方法已经分别得到了独立验证，但没有研究在统一的框架内同时应用这两种方法来评估它们在合同节能估算方面的能力[23]。现有的研究通常依赖于设计阶段的假设而非实际运行数据来进行模型校准，而且很少考虑能源绩效合同的实际要求，即在保证准确性的同时还需兼顾简单性和合规性[24]。许多现有的工具对实践者来说过于复杂，难以广泛采用[25]。我们之前的工作证明了在明确定义建筑特定输入的情况下，ISO 52016–1白色箱体实现的跨建筑类型的适用性[26]。
本文通过在统一的框架内将基于HRN EN ISO 52016–1的基于物理的白色箱体模型与基于人工神经网络的黑色箱体模型进行比较，解决了上述问题。首先，这两种模型都使用实际运行数据（而非标准化假设）针对监测到的改造项目中的实际供暖能耗进行了验证，从而直接评估了它们在现实条件下的准确性。其次，白色箱体模型用于确定性地量化改造前后的节能效果，而黑色箱体模型则评估了运营节能的可能性，从而评估了它们在合同应用中的各自优势和局限性。使用实际数据进行验证表明，即使模型复杂度相对较低，也可以生成具有实际意义的、适合合同的节能估算。
章节片段
研究框架和建模概述
本研究实施并验证了两种建模方法。基于HRN EN ISO 52016–1的基于物理的白色箱体模型根据建筑几何形状、外壳属性以及测量的天气和室内数据计算每小时供暖能耗。而数据驱动的黑色箱体模型则以前馈人工神经网络的形式实现，根据测量的气象和运营变量预测每小时供暖能耗。这两种模型都能以每小时为分辨率输出实际供暖能耗
结果与讨论
利用同一作者团队之前工作中的已验证模型，可以使用白色箱体模型计算节能效果。不幸的是，黑色箱体模型需要历史数据，而这些数据在许多用例场景中是无法获得的。结果分为黑色箱体模型和白色箱体模型的部分。为了澄清得出以下结果所采用的建模步骤，图6展示了本研究中使用的黑色和白色箱体模型的工作流程。
结论
本研究证实，基于物理的模型和数据驱动的模型在供暖能耗和节能效果的估算中扮演着不同且互补的角色。根据HRN EN ISO 52016–1实现的白色箱体模型在整个供暖季节内以可接受的准确性再现了FMENA建筑的测量供暖需求。蒙特卡洛不确定性分析不仅提供了一个单一的节能估算值，还提供了一个置信区间，这使得结果更加透明
CRediT作者贡献声明
Juraj ?ukelj：写作——原始草稿、可视化、验证、方法论、概念化。Marino Grozdek：写作——审阅与编辑、监督、方法论。Tomislav Veliki：写作——审阅与编辑。Vlasta Zanki：写作——审阅与编辑、资源管理、调查研究。
利益冲突声明
作者声明他们没有已知的可能影响本文工作的竞争性财务利益或个人关系。
致谢
“特此感谢欧盟委员会通过Horizon 2020”创新计划OLGA（“hOListic Green Airport”）在授权协议编号101036871下的支持。”
