基于混合机器学习与模拟方法的气候变化对利雅得现代办公楼能耗及热舒适性的影响研究

《Scientific Reports》：Short-term climate scenario sensitivity of a Riyadh office building: energy consumption, operational life cycle cost, and simulation-derived thermal comfort indicators

　　

摘要

随着气候变化（CC）持续重塑环境条件，将预测的气候数据纳入建筑性能分析对于韧性设计至关重要。本研究探讨了气候变化对沙特阿拉伯利雅得一座现代办公楼的能耗、经济结果以及基于模拟得出的热舒适指标的影响。该建筑具有炎热干燥的气候特征和高制冷需求。之所以采用单体建筑案例研究设计，是因为该建筑提供了2009年至2019年连续记录的每月实测用电量数据，同时具备足够的几何形状、围护结构、占用情况、运行时间表及暖通空调（HVAC）系统信息，可用于模型校准。因此，研究结果仅适用于该建筑，在未通过其他建筑和独立数据集进行验证之前，不应将其推广至利雅得更广泛的办公楼库。本研究采用了混合建模方法，将极端梯度提升（XGBoost）和长短期记忆（LSTM）模型与经过校准的EnergyPlus模拟工作流程相结合。2009年至2019年的历史气候变量和2020年至2024年的情景气候变量（包括温度、太阳辐射和湿度），连同建筑围护结构参数，被定义为RCP 4.5和RCP 6.0分析的输入。在历史建模期间，实测的每月用电量作为能耗目标值，而PMV和PPD目标值以及2020年至2024年情景期间的能耗输出则由校准后的EnergyPlus模型生成。因此，XGBoost和LSTM的结果应被解释为：针对历史能耗的测量辅助预测，以及针对未来能耗使用和热舒适指标的模拟辅助预测；研究中未使用任何现场实测的热舒适数据或使用者调查。机器学习模型采用按时间顺序划分的留出一分法和扩展窗口滚动起源验证进行评估，以保持月度观测的时间顺序，同时承认样本量有限及分析的案例特定性。结果表明，所选情景天气输入导致了总运行能耗出现具有情景依赖性且非单调性的变化，同时使模拟得出的PMV和PPD指标向较不利的热舒适条件偏移。在该单体建筑数据集的内部时间序列评估中，LSTM在能耗以及EnergyPlus生成的PMV和PPD指标上的R2值略高，预测误差的点估计值也低于XGBoost。然而，Holm校正后的Diebold-Mariano检验未能在三个评估目标中发现模型间存在统计显著差异。因此，研究结果被解释为描述性和案例特定的，而非模型普遍优越性的证据。