一种混合数据驱动与知识驱动的商业HVAC负荷识别方法

《Processes》：A Hybrid Data-Driven and Knowledge-Driven Method for Commercial HVAC Load Identification

　　

从低频智能计量数据中准确识别HVAC负荷对于商业建筑的需求响应和能源管理至关重要，但当高频测量、详细物理模型和HVAC子计量不可用时，识别仍然困难。本文提出一种混合数据驱动与知识驱动的框架，将HVAC负荷分解与前日预测相结合。首先通过K-medoids聚类从归一化日负荷曲线和日历特征中识别运行模式。对于每种模式，基于模式内低负荷观测、循环平滑以及基于代表性运行剖面和低尾负荷散布的无标签形状校正构建非HVAC基线。然后，HVAC负荷作为整栋建筑负荷与校正基线之间的物理约束残差获得。历史分解估计随后被用作泄漏控制的Extra-Trees预测模型的伪标签，该模型结合目标日天气和日历信息与可用的历史负荷特征。在三个15 min NREL ComStock商业建筑数据集上的实验表明，所提出的分解方法在不同建筑类型上实现了R²值0.8308–0.9246，而所提出的预测模型在保留测试期上达到了R² 0.7812。结果展示了一种在低频计量下可解释且无需子计量的HVAC负荷分析方法，在冷却主导条件下性能最强。

**论文解读**

**研究背景与问题**

建筑能耗在全球能源消费中占有相当比例，其中供暖、通风和空调（HVAC）系统是最大且对天气最敏感的终端用能之一。准确的HVAC负荷信息支持建筑能效评估、需求响应评价、运行诊断和短期负荷管理。然而，受安装成本和实际条件限制，许多现有建筑缺乏专用的HVAC子计量。因此，从广泛可用的整栋建筑智能计量数据中恢复HVAC电力消耗具有重要的工程价值。非侵入式负荷监测（NILM）方法从单一聚合点采集的电量数据中估计各终端用能负荷，但现有NILM算法大多依赖足够高频的测量来区分开关事件和电器特征。在15 min至1 h的智能计量分辨率下，多个负荷在每个间隔内聚合，瞬态特征基本丢失，直接应用高频NILM方法不可靠。HVAC分解尤其困难，因为HVAC消耗同时取决于天气、建筑运行时间表、 occupancy、内部热增益和热惯性。已有研究采用温度-负荷关系、序列低分辨率分解、独立成分分析等，但仍存在三个局限：一是许多方法依赖全局、季节性或温和日的非HVAC基线，无法代表商业建筑异构的运行时间表；二是通过固定温度阈值划分样本再识别运行模式可能混淆天气响应与建筑运行变化；三是监督和深度学习方法通常需要子计量HVAC标签、大量训练数据集或巨大计算资源，限制了在仅有低频聚合负荷、天气和日历数据的建筑中的部署。此外，分解精度本身不能证明提取的HVAC序列能否支持前瞻性预测，预测时若使用目标日整栋建筑负荷、目标日基线等变量会人为使结果偏好，需建立严格的时间信息边界。

**研究内容与结论**

本研究提出一个两阶段框架，用于从15 min整栋建筑智能计量数据中进行HVAC负荷分解和前日预测。第一阶段，通过归一化日负荷曲线由运行形状和日历特征表示，工作日和周末分开处理，采用K-medoids聚类识别重复运行模式（不按固定温度阈值划分样本）。对每种模式，从低负荷包络构建非HVAC基线，经循环中值和均值滤波处理，再基于代表性运行凸起和低尾负荷散布进行模式形状校正，HVAC负荷作为整栋建筑负荷与校正基线之间的物理约束残差获得。第二阶段，将初始化期和训练期生成的HVAC估计作为分解派生伪标签，用于极端随机树（Extra-Trees）模型，预测输入结合目标日天气和日历信息与时间上可用的历史整栋建筑和HVAC特征，验证和测试预测递归生成，排除目标日整栋建筑负荷、分解结果、基线、运行模式和参考HVAC测量，防止目标日信息泄漏。在三个15 min NREL ComStock商业建筑数据集（零售带形商场、快餐服务餐厅、中型办公室，均位于阿拉巴马州ASHRAE气候区3A，使用电加热）上的实验表明：分解方法在建筑类型间R²为0.8308–0.9246，年能量误差为?12.48%至5.38%；预测模型在保留测试期R²为0.7812，CVRMSE和NMAE分别为47.00%和32.22%，优于Transformer、LSTM、TimePro和SimpleTM等基准模型。结果展示了在冷却主导条件下性能最强，冬季加热条件下存在低估偏差。论文发表在《Processes》。

**主要关键技术方法**

研究人员采用K-medoids聚类根据归一化日负荷形状和日历特征识别运行模式，避免使用固定温度阈值划分样本；通过模式内低负荷观测的最小值构造原始基线，再经循环中值和均值滤波平滑，并基于代表运行凸起和低尾负荷散布进行模式形状校正，得到物理约束的HVAC负荷；将分解得到的HVAC估计作为伪标签，用于极端随机树（Extra-Trees）模型进行前日预测，输入包括目标日天气、日历以及时间上可用的历史整栋建筑负荷和HVAC特征，递归更新历史HVAC序列，严格隔离目标日信息。样本队列来源为NREL ComStock平台的三栋建筑（零售带形商场、快餐服务餐厅、中型办公室），数据为2018年35,040个连续15 min间隔。

**研究结果**

**5.2 分解结果分析**
通过运行模式聚类（图2）展示了工作日和周末样本中分别识别的运行模式，每种模式代表不同运行时间表。模式形状校正过程（图3）显示低负荷参考、运行凸起和校正前后基线，校正后基线更贴合低负荷包络。参数敏感性分析（图4）表明关键参数（聚类数、低负荷分位数、低尾散布分位数、循环中值窗口）对性能影响稳定。消融实验（表1）显示完整模型R²最高（0.9246），去除模式形状校正后R²降至0.8248，年能量误差幅度增至25.78%，证实该组件主要缓解基线高估和HVAC负荷低估。季节性比较（图5）显示模式形状校正后夏季NMAE从13.0%降至6.8%，秋季从24.2%降至12.9%，但冬季和春季仍存在持续低估，原因是冬季低负荷参考期可能包含持续电加热需求，春季低HVAC负荷水平放大相对误差。与基准方法SED和ICA比较（表2），所提方法R²为0.9246，CVRMSE和NMAE为23.57%和16.71%，年能量误差?12.48%，优于两者。跨建筑类型验证（表3）显示三栋建筑R²范围0.8308–0.9246，年能量误差?12.48%至5.38%，快餐服务餐厅误差最低，中型办公室CVRMSE和NMAE较高，但固定参数配置保持一致性。

**5.3 预测结果**
前日预测结果（表4）显示DI-ET（分解派生伪标签+极端随机树）在测试集上R²为0.7812，CVRMSE和NMAE分别为47.00%和32.22%，优于Transformer、LSTM、TimePro和SimpleTM四类基准模型。SimpleTM性能最接近，但其R²低0.0652，CVRMSE和NMAE分别高6.55和5.23个百分点。DI-ET能量误差为?9.61%，并非最小绝对值，其主要优势在于间隔级预测精度而非累积能量估计。

**5.4 局限性与外部有效性**
三栋案例建筑来自同一NREL ComStock发布、同一气候区（阿拉巴马州ASHRAE 3A）和同一模拟工作流，结果仅证明在受控数据源下的跨建筑类型可迁移性，并非普适地理或气候推广。基于物理的模拟无法复现现场数据中的计量故障、控制超驰、改造或 occupant 驱动的不规则性。需要现场智能计量和HVAC子计量数据、多气候区、不同公用事业区域的外部验证后才能进行广泛部署声明。

**讨论与结论**

论文讨论部分指出，所提框架在冷却主导条件下性能最强，冬季精度较低主要与低负荷参考期持续电加热需求导致非HVAC基线高估有关。框架无需高频电气波形或HVAC子计量标签，并且保持整栋建筑负荷、基线和HVAC负荷之间的透明关系。当前证据仅限于一个气候区中的三栋模拟生成建筑；需要利用现场测量、额外气候区和不同公用事业区域进行验证。

**结论翻译**：本文提出一个集成框架，用于从低频商业建筑智能计量数据中进行HVAC负荷分解和前日预测。分解阶段结合运行模式识别、模式条件非HVAC基线估计、循环平滑和模式形状校正。得到的历史HVAC估计被用作泄漏控制预测的伪标签。在所研究的三种建筑类型中，该方法提供一致的年度HVAC负荷估计，在冷却主导期间性能最强。冬季精度较低主要与低负荷参考期持续电加热需求有关，可能使估计的非HVAC基线偏高。该框架不需要高频电气波形或HVAC子计量标签，并保留整栋建筑负荷、基线和HVAC负荷之间的透明关系。其当前证据仅限于一个气候区中的三栋模拟生成建筑；使用现场测量、额外气候区和不同公用事业区域进行验证仍然是必要的。