融合采暖度日法与机器学习技术:一种城市尺度建筑采暖需求映射新模型的实现

《Energy Conversion and Management-X》:Combining heating degree days method and machine learning techniques: implementation of a new model for mapping buildings heating demand at urban scale

【字体: 大 中 小 】 时间:2025年12月30日 来源:Energy Conversion and Management-X 7.6

编辑推荐:

  本研究针对传统采暖度日(HDD)方法在估算城市尺度建筑采暖需求时因采用固定基础温度(Tb)而导致精度不足的问题,提出了一种结合机器学习与可变基础温度(Tb)HDD方法的新模型。研究人员通过生成50,000个虚拟建筑案例进行模型训练与验证,结果表明该间接回归(IR)模型能仅凭少量易获取的建筑参数,高精度预测建筑特异性Tb,进而显著提升采暖需求估算的准确性(MAPE可低至11.58%),优于传统HDD、VBDD及直接回归模型。该模型为利用公开数据进行大规模城市能源规划与建筑节能改造决策提供了有效工具。

  
在全球能源消耗中,城市建筑扮演着“耗能大户”的角色,其能耗约占全球总能耗的30%。特别是在欧盟,超过64%的能源被用于空间采暖,以维持舒适的室内环境。然而,一个严峻的现实是,高达75%的欧洲既有建筑被认为是能源低效的。随着“近零能耗建筑”理念向整个区域扩展,以及“净零能耗区域”概念的兴起,对大规模城市建筑能源模型的需求日益迫切。这类模型能够帮助识别关键的节能改造区域,并初步评估不同改造措施的效果,从而为有效的能源转型规划提供支持。
传统的建筑能耗模拟方法,如基于固定基础温度(例如15.5°C或18.5°C)的采暖度日法(Heating Degree Days, HDD),虽然计算简便,但往往无法准确反映现代建筑或经过节能改造建筑的复杂热工性能,容易导致采暖需求被高估。另一方面,虽然像EnergyPlus这样详细的建筑性能模拟(Building Performance Simulation, BPS)工具精度高,但它们需要大量详细的输入数据(如详细的几何形状、建筑材料、 occupancy 模式等),且计算成本高昂,难以应用于大规模城市建筑群的评估。这就造成了精准化、大规模化分析需求与现有工具局限性之间的鸿沟。
为了应对这一挑战,由Milagros álvarez-Sanz、Cristina Villanueva-Díaz、álvaro Campos-Celador、Jon Terés-Zubiaga和Pello Larrinaga-Alonso组成的研究团队,在《Energy Conversion and Management-X》上发表了一项研究,提出了一种新颖的、兼顾准确性与实用性的解决方案。他们巧妙地将经典的HDD概念与前沿的机器学习技术相结合,开发了一种间接回归模型,用于估算城市尺度下建筑的采暖需求。
这项研究的核心创新点在于其独特的“间接”思路。传统的HDD方法直接使用固定的基础温度(Tb)来计算采暖度日,进而估算能耗。而本研究提出的模型,其首要目标是利用机器学习算法,根据建筑的几何特征、围护结构热工性能(如屋顶、外墙、窗户的U值)、内部得热、运行设定点温度等有限的、易于从公开数据源获取的参数,来预测每个建筑独特的、可变的基准确温度(Tb)。然后,再使用这个预测出的Tb值,通过标准的HDD公式来计算最终的采暖需求。这种方法不仅提高了估算精度,而且使得Tb本身成为一个表征建筑被动式热性能的独立指标——Tb越低,意味着建筑自身抵抗外界寒冷的能力越强,采暖需求越低。
为了开发并验证这一模型,研究人员构建了一个包含50,000个虚拟建筑案例的大型数据集。这些案例通过改变10个关键的建筑参数(如围护结构U值、换气次数、内部得热、形状因子、南向等效面积SES等)和3个不同冬季严重程度(以HDD15表征,对应西班牙三个城市:比尔巴鄂、马德里、布尔戈斯)的组合来生成。每个案例的详细采暖需求通过经过验证的DesignBuilder软件进行模拟计算,作为模型训练的“标准答案”。研究团队采用了XGBoost这一高效的机器学习算法来构建预测模型,并比较了两种配置:一种是“气候无关”模型,仅使用建筑自身参数预测Tb;另一种是“气候相关”模型,额外加入了HDD15作为输入变量。
本研究主要采用了以下几种关键技术方法:首先,利用经过校准的详细建筑能耗模拟软件(DesignBuilder)生成大规模、多样化的虚拟建筑能耗数据集作为模型训练和测试的基准。其次,应用机器学习算法(XGBoost)进行模型训练和优化,通过网格搜索和交叉验证确定最佳超参数。第三,构建并比较了间接回归模型(预测Tb再计算需求)与直接回归模型(直接预测需求)以及传统HDD、VBDD方法的性能。最后,将最优模型应用于西班牙比尔巴鄂市Otxarkoaga-Txurdinaga区的真实建筑群案例中,利用公开数据(如地籍数据、能源绩效证书EPCs)进行建筑参数化,并评估特定节能改造策略(如外墙增加6厘米保温层)的能源和经济影响。
间接回归模型结果
  • •
    基础温度估计:研究结果表明,无论是“气候无关”还是“气候相关”的间接回归模型,在预测建筑特异性Tb方面都表现出色。即使在仅使用建筑自身参数的“气候无关”模式下,模型对测试集的预测平均绝对百分比误差(MAPE)在比尔巴鄂、马德里和布尔戈斯分别为3.73%、9.05%和14.78%,显示出Tb主要受建筑内在特性驱动。当加入气候变量HDD15后,模型精度进一步提升,三个测试点的MAPE分别降至2.49%、7.68%和12.08%,说明气候条件对Tbestimation有辅助优化作用,尤其在气候更严酷的地区效果更明显。这证实了Tb可作为建筑被动热性能的有效指标。
  • •
    采暖需求估计与模型比较:利用预测出的Tb计算采暖需求后,间接回归模型的优势更加凸显。在三个测试城市,“气候相关”间接回归模型估算采暖需求的MAPE分别为11.83%(比尔巴鄂)、11.58%(马德里)和20.29%(布尔戈斯),其平均绝对误差(MAE)和均方根误差(RMSE)也显著低于其他对比模型。与传统的固定基础温度HDD方法(MAPE高达418%-914%)和传统的可变基础温度(VBDD)方法(MAPE在147%-390%之间)相比,间接回归模型的精度实现了数量级上的提升。即使与直接预测采暖需求的直接回归模型相比,间接回归模型也展现出可比或更优的性能,尤其是在气候较寒冷的地区,其鲁棒性(稳定性)更佳。这表明通过引入Tb这一中间变量,间接回归模型更好地捕捉了建筑热工特性与能耗之间的物理关系。
模型实施
为了展示模型的实用价值,研究者将性能最优的“气候相关”间接回归模型应用于西班牙比尔巴鄂的Otxarkoaga-Txurdinaga区域。他们利用公开的地籍数据和部分建筑能源审计数据,将该区域的住宅建筑归纳为5种典型类型,并为每栋建筑输入参数,成功绘制了整个区域建筑的采暖能耗分布图(包括总能耗和单位面积能耗)。此外,模型还被用于评估一项具体的改造措施——为建筑外墙增加6厘米外保温。经济性分析显示,针对所有建筑进行改造的平均简单投资回收期约为13.54年,而若仅针对保温性能较差(外墙U值>1 W/m2·K)的建筑进行针对性改造,回收期可缩短至7.60年,单位投资的一次能源节约量(kWh/年/�)也几乎翻倍。这证明了该模型能够有效支持城市尺度的能源诊断和改造策略的优先排序。
本研究通过将经典的采暖度日法与机器学习技术相结合,成功开发并验证了一种新的间接回归模型,用于城市尺度建筑采暖需求的高精度估算。该模型的核心优势在于,它能够利用有限的、易于从公开渠道获取的建筑参数,预测出更能反映建筑真实热工性能的可变基础温度(Tb),从而克服了传统HDD方法因固定Tb带来的局限性。研究结果表明,该模型在估算精度上显著优于传统的HDD和VBDD方法,并与直接回归模型性能相当甚至更优,同时保持了方法的简洁性和物理可解释性。
这项研究的重要意义在于,它为解决大规模城市能源规划中数据获取难、模型计算复杂与精度要求高之间的矛盾提供了一个切实可行的工具。通过最大限度地利用公开数据,该模型能够快速、低成本地对城市建筑群的能耗现状进行评估,并筛选出节能改造的重点对象和潜力措施。这不仅有助于政策制定者、规划师和能源顾问进行科学的决策,也推动了从单个建筑分析向区域集群能源管理思维的转变。展望未来,该模型框架可进一步扩展至更广泛的气候条件,集成太阳能资源等更多变量,并与其他城市信息模型结合,从而在推动城市能源转型和实现碳中和目标的进程中发挥更大的作用。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号