整合实地住户行为观测的AI增强框架在城市建筑能耗模拟中的应用

《Buildings》：Integrating Context-Dependent Occupant Behavior into Urban Building Energy Modeling: A Data-Driven Framework for High-Density Housing

　　建筑能耗的准确预测对可持续城市化至关重要，而动态的住户与建筑围护结构之间的交互作用仍是主要的 Uncertainty 来源。现有的跨尺度建筑能耗模型往往依赖简化或统一的行为假设，无法充分表征住户行为（如开窗和窗帘使用）在空间和时间上的异质性。本研究提出了一种AI增强的框架，该框架整合了实地观测到的住户行为、机器学习预测和基于物理机制的建筑能耗模拟。研究在香港一个高密度社区的12栋住宅楼、共1609个房间中收集了窗口和窗帘状态的时序观测数据。首先在汇总行为层面考察环境及情境关联因素，随后采用随机森林模型生成动态行为时间表。这些时间表随后被集成到EnergyPlus中，以评估不同住户行为表征水平对模拟制冷能耗和计算成本的影响。与详细场景相比，模板场景的模拟制冷能耗高出20.5%，而平均场景相对差异为8.7%，模拟时间减少了20.6%。额外的对照分析表明，去除周边建筑后模拟制冷能耗增加1.7%–9.3%，证明了建筑间相互遮挡的直接影响。总体而言，该框架为将情境依赖的住户行为纳入城市建筑能耗建模提供了一条实用途径，并可用于评估行为建模精细度与计算效率之间的权衡关系。