城市建筑能源模型（UBEM）定制化的渐进式过滤与簇局部化校准

《ENERGY AND BUILDINGS》：Progressive filtering and cluster-localized calibration for customized UBEM

　　

研究人员提出了一种准确且快速的用于定制化城市建筑能源模型（Urban Building Energy Model，UBEM）的三层过滤模型校准方法。该方法在校准前对住宅进行聚类，以降低歧义并提高精度；多参数分类器可在无需重新聚类的情况下将新建筑映射到相应簇；基于替代模型的贝叶斯校准将各簇局部化到单户住宅层级；研究利用100栋房屋的年度用电数据验证方法性能。建筑与建造行业在2021年占全球最终能耗38%、CO2当量排放37%，住宅能源需求预计2022—2025年以每年1.0%—1.6%增长，因此可靠UBEM框架至关重要。基于原型（archetype）的UBEM存在计算可扩展性与建筑层级预测精度之间的权衡，粗分类会带来单栋建筑误差。多参数聚类可提升代表性，但簇内异质性仍存，且新建筑分配需重复无监督聚类。贝叶斯校准可量化参数与预测不确定性，但在仅用年度用电EUI约束时会出现高维参数空间下的实际不可辨识与参数补偿，全马尔可夫链蒙特卡洛（MCMC）采样计算成本高。为此，研究人员提出三层过滤：结构过滤限定同类建筑，表征过滤经多参数K-means聚类得到代表原型并用自动化集成学习构建多参数原型分类器（Multi-Parameter Archetype Classifier，MAC）实现可复用分配，参数过滤经随机森林与SHAP敏感性筛选后用AutoGluon替代模型辅助各簇局部化贝叶斯校准（Cluster-Localized Bayesian Calibration，CLBC）。结果显示，从按建造年份模板基线、聚类到局部化校准，预测误差顺序下降；MAC对新建筑分配具有可复用性；簇内替代模型R2满足推理替代需求；CLBC在年度EUI约束下控制维度并避免重复全物理仿真，实现可扩展的建筑层级本地化。

《ENERGY AND BUILDINGS》刊载的该研究面向城市建筑能源模型（Urban Building Energy Model，UBEM）在建筑层级精度与城市尺度可扩展性之间的固有矛盾。建筑与建造行业2021年占全球最终能耗38%、CO₂当量排放37%，住宅能源需求2022—2025年预计年增1.0%—1.6%。基于原型（archetype）的UBEM用有限模板替代异质住宅，虽支持大尺度仿真，但粗映射使单栋建筑预测偏差显著；多参数聚类可改善代表性，却残留簇内异质性，且新建筑入模需重跑无监督聚类，缺乏可复用分配机制。贝叶斯校准能调参减偏，但在仅以年度用电能耗强度（Energy Use Intensity，EUI）为观测时，高维参数空间会引发实际不可辨识与参数补偿，全马尔可夫链蒙特卡洛（Markov Chain Monte Carlo，MCMC）计算昂贵，因此亟需把结构表征精炼与维度受控校准纳入统一工作流。

作者所用关键技术方法包括：先对单体独立住宅且采用电踢脚线采暖的样本类型做结构过滤；再从蒙特利尔100栋此类住宅出发，以建造年份、建筑面积、体积、层数、校准前模拟EUI作特征进行标准化K-means聚类，用medoid选代表原型；继而用AutoGluon Tabular训练多参数原型分类器（Multi-Parameter Archetype Classifier，MAC）把新住宅分到已有簇；再用随机森林与SHAP做敏感性分析筛参，在各簇内用AutoGluon训练替代模型映射敏感参数到年度EUI，最后以高斯似然贝叶斯推断做簇局部化校准（Cluster-Localized Bayesian Calibration，CLBC）。

研究结果

1. 1.
   Introduction
   研究人员综述2015—2024年UBEM文献，指出校准研究偏少源于数据受限与计算成本高；EUI误差随原型粒度变细而降，但“一刀切”原型仍不足以支撑建筑层级预测，从而引出三层过滤框架。
2. 2.
   Methodology: three-layer progressive filtering
   Layer 1 - Structural Filtering
   限定为单体独立住宅加电踢脚线采暖，防止不同体型与系统混杂污染后续聚类与校准。

Layer 2 - Representational Filtering

用建造年份、面积、体积、层数、基线模拟EUI标准化后K-means聚类，按紧凑度与分离度定簇数，medoid选可物理实现的代表原型；再用AutoGluon监督学习构建MAC，把无监督簇标签转为可复用分类任务，新住宅无需重聚类即可获得簇与代表原型。

Layer 3 - Parametric Filtering

用随机森林加SHAP做全局参数重要性排序，仅留高影响参数进入校准；各簇用80%/20%划分训练验证AutoGluon替代模型，以R²验保真度，再用统一高斯模型做贝叶斯更新，使模拟年度用电EUI匹配实测值，避免重复HOT2000全物理仿真。

1. 3.
   Montreal case study
   研究以蒙特利尔100栋随机选取、使用电踢脚线空间采暖的单栋独立住宅为对象，保证与建模假设一致；文中说明若其他地区具备可比建筑属性、原型库与实测能耗，流程可迁移但聚类变量与校准设置需重评。
2. 4.
   Results on progressive accuracy gains, dimensional control, calibration performance, and computational scalability
   从按建造年份模板、聚类代表原型到CLBC局部化，建筑层级年度EUI误差逐层缩减；MAC在留出测试集上可稳健分配新住宅；簇内替代模型R²达标，可替代全物理仿真；CLBC在年度EUI单约束下靠敏感性筛参控制维度，抑制参数不可辨识，计算成本远低于全MCMC，证明方法可扩展到建筑存量层级。
3. 5.
   Discussion
   研究人员讨论方法意义：三层过滤把结构错配、表征异质与参数维度问题分开处理，MAC解决聚类不可复用，替代模型加敏感性筛查让贝叶斯校准在弱数据下单栋可算；同时也指出局限，如仅限一种建筑类型与采暖系统、年度EUI信息量有限、未把观测噪声与模型偏差拆开、结果依赖本地建筑与系统特征。
4. 6.
   Conclusion
   研究结论译为：本研究提出一种用于定制化UBEM的渐进式三层过滤框架，由结构过滤、表征过滤与参数过滤组成。结构过滤保障类型一致，表征过滤借多参数聚类与多参数原型分类器（MAC）提供可复用原型分配，参数过滤借敏感性筛查与替代模型辅助的簇局部化贝叶斯校准（CLBC）在年度用电EUI约束下实现单栋本地化。在蒙特利尔100栋电采暖独立住宅上，预测精度随年份模板、聚类、局部化三阶段递进提升，MAC支持新建筑高效归簇，CLBC在控制维度与计算成本的同时降低建筑层级误差。该框架缓解了原型UBEM中可扩展性与建筑层级精度的张力，未来可拓展至其他建筑类别，并在新区域应用时重新评估聚类变量与校准设置。