EcoImpact：在建筑领域利用数据驱动的模型预测控制和可解释的机器学习技术实现节能

《Scientific Reports》：EcoImpact: energy conservation using data-driven model predictive control and interpretable machine learning in the buildings sector

　　

摘要

本文介绍了一种名为EcoImpact的新型可解释预测控制框架，用于建筑能源管理。该框架将数据驱动的预测、迭代控制优化和可解释的人工智能整合到一个统一的工作流程中。与传统主要关注预测准确性的预测控制方法不同，EcoImpact明确地将基于机器学习的控制技术与基于SHAP（Shapley Value Explanation）的可解释性相结合，以识别影响能源相关预测的运营和环境因素。这不仅提升了控制性能，还为建筑能源优化提供了透明的决策支持。所提出的框架在自定义的预测控制结构中使用了随机森林（Random Forest）和XGBoost模型，通过迭代方式减少预测误差并优化能源管理决策。实验结果表明，这两种模型在多次迭代运行中均显著降低了误差：随机森林的最终误差为109.19，XGBoost的最终误差为92.53，证明了该框架的有效性。此外，SHAP分析揭示了影响模型预测的最重要特征，有助于了解控制模型在决策过程中如何优先考虑输入变量。本研究的主要创新在于将预测控制与可解释机器学习相结合，形成了一个透明的建筑能源管理优化框架。结果表明，EcoImpact能够在提高预测性能的同时，使模型行为具有可解释性，从而支持更高效、可靠且易于理解的建筑能源管理策略。