关于跨气候迁移下短期建筑能耗预测的鲁棒性

《Energy and AI》：On the robustness of short-term building energy forecasting under cross-climate transfer

　　

数据驱动的建筑能耗预测通常需要大量历史数据。然而，在实际部署中，预测模型常面临冷启动问题，即本地数据稀缺或完全不可用。跨气候迁移学习为解决该问题提供了有前景的方案，但它引入了分布偏移，挑战了模型鲁棒性。研究人员使用零样本协议和析因设计，在多个气候区域开展了一项受控研究。具体来说，研究人员比较了两种广泛使用的模型组件：用于局部模式提取的卷积神经网络（CNN）和用于时间步加权的时序注意力机制，两者均集成到共享的长短期记忆网络（LSTM）骨干中。研究人员进一步引入Transformer编码器作为参考模型，并在北京、合肥和惠州三个地点评估了八个独立随机种子的表现。结果显示不存在统一最优的架构。在受控的LSTM骨干变体中，基于注意力机制的LSTM达到了最低的平均归一化均方误差（NMSE），并表现出相对稳定的改进，而基于CNN的变体和组合变体则更依赖于目标或种子。结合补充的平均绝对误差（MAE）/均方根误差（RMSE）、注意力权重和源-目标分布诊断，这些发现支持在预期的迁移设置下使用多种诊断标准进行情境依赖性评估。

**论文解读：跨气候零样本迁移下短期建筑能耗预测的鲁棒性分析**

**研究背景与问题**

短期建筑能耗预测是数据驱动建筑运营的基石，支持能耗监测、需求规划和智能控制。然而，传统数据驱动方法依赖目标建筑的大量历史数据，这在新建筑（冷启动场景）或计量基础设施暂时缺失时构成关键瓶颈。跨气候迁移学习通过将数据丰富源域的预测模型直接部署到目标域，为解决数据稀缺问题提供了前景，但也引入了系统性的分布偏移——不同气候区的天气模式、季节动态和 occupant行为不仅改变能耗幅值，还改变短期动态的时间结构，可能破坏源域训练所学的假设。尽管已有研究涉及迁移学习在建筑领域的应用，但多数假设至少部分目标标签可用（即需要微调），而最苛刻的冷启动场景——模型对全新建筑或气候区完全无先验数据访问——仍未被充分探索。这促使研究人员提出核心问题：当预测模型在无目标域适应的条件下跨气候区部署时，常见的时间建模组件表现如何？通过严格的零样本协议系统比较广泛使用的预测组件，研究人员旨在刻画无目标数据时模型鲁棒性模式与部署风险。

**研究内容与结论**

该项研究发表于《Energy and AI》。研究人员采用受控析因设计，将两种代表性组件（用于局部模式提取的时序卷积神经网络CNN和用于自适应时间步加权的时序注意力机制）解耦，保持共享LSTM骨干不变，并以Transformer编码器作为参考基线。通过严格的留一气候区（LOCO）协议模拟冷启动部署，在北京、合肥和惠州三个气候各异（温带、过渡亚热带、亚热带）的城市建筑中进行零样本实验。结果表明：不存在统一最优架构；基于注意力机制的LSTM变体在受控变体中展现出最稳定的改进，平均NMSE最低，而基于CNN和组合变体的表现更依赖目标城市和随机初始化。注意力权重诊断显示不同目标城市的时间相关曲线存在差异，支持了时间相关不稳定性框架。这些发现支持在预期迁移设置下使用多项诊断标准进行情境依赖性评估，强调了鲁棒性应被视为多维属性而非单一评分。

**主要关键技术方法**

研究人员采用了以下关键技术方法：1）受控析因设计：在共享LSTM骨干基础上，系统组合CNN模块（核大小5，残差系数0.3）和时序注意力模块，构建四个变体（M0纯LSTM、M1 CNN-LSTM、M2 Att-LSTM、M3 Att-CNN-LSTM），并额外引入Transformer编码器作为参考。2）留一气候区（LOCO）零样本协议：每个折叠中，用两个源城市数据训练模型，用源域验证集进行早停和超参数选择，然后直接部署到目标城市测试集，不进行任何微调。3）尺度不变训练目标：使用批内归一化平方误差损失，降低对峰值负荷的过度强调。4）统计与诊断分析：计算相对性能变化（Du）、配对检验、95%置信区间，并分析注意力权重的跨城市分布模式及源-目标特征Wasserstein距离。

**研究结果**

**7.1 总体零样本预测性能**：通过8个独立种子的NMSE结果发现，无模型在三个目标城市中统一最优。在LSTM骨干变体中，M3在北京和合肥获得最低平均NMSE，而Transformer在惠州表现最优。M1和M3在惠州的种子间标准差较大，M2在三个城市的标准差均较小。

**7.2 组件效应相对于LSTM骨干**：M1（CNN）在合肥改善最大（平均-17.4%），在北京和惠州效果较弱且种子变异大；M2（注意力）在所有三个城市均带来平均误差降低（北京-24.5%，合肥-13.9%，惠州-19.8%），且总体平均NMSE在受控变体中最低；M3（组合）在北京和合肥表现良好，但在惠州大幅劣化（+93.5%）。Transformer在不同城市表现混合。

**7.3 随机种子间变异性**：逐案例NMSE和相对变化显示，M2的改进在大部分种子中成立，且不利情况仅表现为轻微劣化；M1的改进在合肥频繁但在北京和惠州不一致；M3在惠州出现大幅劣化（如Case III中+305.9%）。

**7.4 相对变化的统计可靠性**：配对检验和95%置信区间表明，M2在三个城市均为完全负区间，支持其稳定的误差降低；M1在合肥边际负区间但在北京和惠州跨零；M3在北京和合肥受支持但在惠州为正区间；Transformer在北京显著劣化、惠州显著改善。

**7.5 补充指标MAE和RMSE**：与NMSE结果总体一致，M2在北京和惠州改善平均绝对误差，M3在北京和合肥有利但在惠州不利，Transformer在惠州强但在北京弱。平均后M2在LSTM变体中MAE和RMSE最低。

**7.6 注意力权重诊断**：M2和M3的注意力权重在三个城市呈现不同分布：北京集中于最近输入，合肥分布较平缓，惠州在最近和最旧时间步均有权重，且CNN上游处理改变了M3的注意力行为，支持时间相关不稳定性。

**7.7 源-目标分布诊断**：Wasserstein距离显示，不同LOCO折叠的分布偏移特征不同：北京作为目标时室内湿度和太阳辐射偏移最大；惠州时室内湿度、室外温度和湿度偏移显著；合肥则总体偏移较温和。这为性能的依赖性提供了情境支持。

**7.8 对残差系数和回溯窗口的敏感性**：在α∈{0.15,0.3,0.5}和L∈{6,12,24}的扫描中，M2始终具有最小的标准差（最稳定），且M2相对于M0的改进在大多数分裂中成立（14/15,12/15,11/15），而其他模型更依赖窗口长度。不存在统一主导架构的结论保持不变。

**7.9 实证发现总结**：零样本跨气候性能依赖于目标城市、随机初始化及组件交互；M2在受控变体中提供最稳定的改进，M1和M3表现出更强的目标或种子依赖性；Transformer具有混合表现。

**讨论与结论**

**讨论**部分指出，实验结果不能作为统一架构指南。CNN组件在气候驱动负荷动态变化时可能迁移不稳定；注意力组件表现出最一致的行为，但注意力权重仅用作诊断证据；组合架构和Transformer均非自动增强迁移鲁棒性。鲁棒性应作为多维属性评估，包括平均指标、跨运行不确定性、补充误差尺度和源-目标分布诊断。研究局限包括仅覆盖三个城市、六层楼、单个暖季监测期（约2025年5月至11月）及固定回溯设置。

**结论**部分（原文第9节）翻译为：本文对零样本跨气候迁移下的短期建筑能耗预测进行了实证与诊断性评估。通过受控组件比较，研究考察了LSTM骨干、时序卷积、时序注意力、其组合及单独报告的Transformer编码器参考在留一气候区（LOCO）协议下的表现。在三个目标城市和八个独立种子中，组件效应依赖于目标，无法由单一平均分数概括。基于注意力机制的LSTM变体在现有数据集和协议下展现出最稳定的改进，而卷积和组合变体表现出更强的变异性，Transformer参考则呈现混合的目标特异性行为。这些发现支持诊断性而非规定性的结论：冷启动跨气候预测应使用平均精度、跨运行不确定性、补充误差尺度和源-目标分布情境进行评估。这些结论的泛化性局限于当前数据集（三个城市、六层楼、单个暖季监测期）。未来工作应扩展至更多气候、建筑类型、时段、更长预测视界和预测架构，并探索轻量级校准或域适应策略。