通过多源迁移学习、相似性测量和分表技术提升短期建筑能耗预测的准确性
《Journal of Building Engineering》:Enhancing short-term building energy consumption prediction through multi-source transfer learning with similarity measurement and sub-metering
【字体:
大
中
小
】
时间:2026年01月03日
来源:Journal of Building Engineering 7.4
编辑推荐:
多源迁移学习框架通过整合相似度测量与子计量数据提升商业建筑短期能耗预测精度,系统评估16种相似度指标在新建建筑与老旧建筑两种数据稀缺场景下的适用性,发现与数据特征匹配的相似度指标和子计量特征融合可显著优化预测效果。
Fan Yang | Xiaofeng Li
清华大学建筑学院,北京,100084,中国
摘要
在考虑在建筑中使用可再生能源时,准确的短期能源消耗预测对于实现建筑能源供需平衡至关重要。尽管多源迁移学习提高了预测精度,但现有研究主要集中在总能耗上,忽视了分项计量能源特征的重要性。此外,相似性度量在此类预测中的有效性尚未得到充分探索。因此,本研究引入了一种新的多源迁移学习模型,该模型整合了相似性测量和分项计量功能。利用来自北京13家购物中心的每小时能源消耗数据,我们在两种数据稀缺的学习场景下系统评估了16种相似性度量方法。结果表明,使用与数据特征相匹配的相似性度量对于获得最佳性能至关重要。此外,将分项计量纳入多源迁移学习框架可以提高预测性能。这项研究为优化商业建筑的能源消耗预测提供了实际见解,支持了精细的能源管理策略,并有助于可持续、低碳建筑的发展。
引言
大型商业建筑——特别是购物中心——是建筑领域中最耗能的建筑类型之一[1]。它们独特的负荷特征,包括高峰需求高、随机变化性强以及明显的周末效应,会显著影响区域范围内的电网稳定性和运营效率[2], [3], [4]。随着分布式可再生能源技术(如建筑集成光伏(BIPV)[5]的快速部署,大型购物中心正逐渐从依赖电网的模式转向结合现场发电和电网供电的混合能源系统[6]。这种转变给建筑能源系统内的供需平衡带来了挑战[7]。因此,准确的短期能源消耗预测对于提高供应能力、能源灵活性和优化系统运行至关重要[8], [9], [10]。
能源消耗预测方法通常分为三类:基于物理的模型、数据驱动的模型和混合方法[11], [12], [13]。随着建筑能源管理系统(BEMS)的广泛采用和计算技术的进步,数据驱动的模型(如支持向量回归(SVR)[14], [15], [16]、长短期记忆(LSTM)网络[17], [18], [19]和随机森林(RF)[20], [21], [22]变得更为突出[23]。近年来,结合特征工程[19], [24]、卷积架构[25], [26]、注意力机制[27], [28]和集成策略[29]的混合深度学习方法取得了进一步的发展。例如,Wen等人[26]提出了一种结合门控循环单元(GRU)、时间卷积网络(TCN)和注意力机制的混合深度学习模型,用于短期负荷预测,在GEFCom2014数据集上将平均绝对百分比误差(MAPE)提高了39%。Tian等人[27]提出了一种结合信号分解、特征筛选和深度学习的联合预测模型,利用双向长短期记忆注意力机制(BiLSTMAM)进行预测,与其他基准方法相比,均方根误差(RMSE)降低了57.23%至82.49%。
尽管这些方法在数据充足的情况下表现优异,但在数据稀缺的环境中其有效性显著下降,因为它们严重依赖于目标建筑的大量、连续且标注良好的时间序列数据[30]。在实际建筑运营中,会出现两种典型的数据稀缺情况[7], [31], [32]。首先,新建建筑由于运营时间较短,往往缺乏足够的历史记录,导致季节性变化和特征负荷模式的表示不足[33], [34], [35];其次,老旧的商业建筑通常由于计量基础设施过时或部分部署,导致分项计量数据缺失、不完整或不稳定[7], [31]。此外,大型商业建筑在功能、结构布局、规模和运营策略上的显著差异导致了建筑间的异质性[36],这限制了在单个建筑上训练的模型直接应用于其他建筑的可能性。这些挑战共同阻碍了预测模型训练精度的提高。
迁移学习作为一种有效策略,通过将源任务的知识转移到目标任务上来缓解数据稀缺问题,从而在目标领域数据有限时提高模型性能[37]。随着建筑能源数据集的日益丰富和计算技术的进步,多源迁移学习(MSTL)作为从多个数据丰富的源建筑中整合知识以提高数据有限的目标建筑预测精度的方法,受到了越来越多的关注[38], [39], [40]。实证研究表明,MSTL在预测精度、鲁棒性和泛化能力方面始终优于单源迁移学习[41], [42]。例如,Wei等人[42]开发了一个基于实例的多源框架,结合了两阶段相似性筛选和提升式集成方法,与单源方法相比,误差降低了20%。迁移学习通常通过微调[43], [44], [45]来实现,其中模型最初在源建筑数据上训练,然后使用小样本数据适应目标建筑。然而,这种策略的有效性在很大程度上取决于源目标领域的相似性;建筑类型、设备组成或运营逻辑的显著差异可能导致负面迁移[46]。
因此,源领域选择是决定MSTL框架中知识转移效果的最关键步骤之一[7], [47]。越来越多的研究集中在测量源领域和目标领域之间相似性的方法上[48]。已经使用了各种相似性度量方法来描述建筑能源消耗时间序列之间的关系,并支持识别合适的源领域,包括欧几里得距离[49]、动态时间规整(DTW)[50], [51]、最大均值差异(MMD)[50], [52]和Wasserstein距离[42]。Li等人[49]比较了欧几里得距离、皮尔逊相关性和符号聚合近似等度量方法,表明改进源领域的匹配度可以将平均精度提高24.7%。Bai等人[53]系统评估了20种常见相似性度量在建筑供暖负荷预测中的性能,发现基于距离的度量方法在不同场景下始终具有较低的相对误差差距(REG)值和更高的稳定性。然而,现有研究仍存在局限性。首先,大多数评估是在单个建筑上进行的,缺乏使用真实世界商业建筑的系统性验证。其次,几乎所有研究都集中在整个建筑的总能耗上,而没有考虑到不同的终端用途负荷可能表现出不同的相似性结构和领域转移行为。
分项计量能够更细致地描述HVAC、照明、电力和租户负荷等系统的运行特征,在商业建筑的能源管理和负荷预测中起着关键作用。研究表明,分项计量可以有效提高建筑能源建模和短期预测性能[54];然而,其在迁移学习中的应用仍然有限,关于不同分项计量能源类别之间的比较迁移效果以及相关源领域选择框架的讨论不足。
总之,当前关于商业建筑(特别是大型购物中心)短期能源消耗预测的研究存在两个主要缺点:(1)缺乏将多源迁移学习与相似性度量的系统评估相结合的研究,以及缺乏使用真实世界商业建筑数据集全面比较不同度量如何影响源领域选择和迁移性能的研究;(2)缺乏利用分项计量特征来增强跨建筑迁移学习的统一框架,包括对不同分项计量终端用途的迁移性能差异和适当源领域选择策略的充分调查。
因此,本研究提出了一个针对商业建筑的多源迁移学习框架,整合了相似性测量和分项计量功能。它系统评估了16种常见相似性度量在不同分项计量能源消耗下的性能,确定了每种度量最合适的源领域选择策略,并在两种数据稀缺场景下验证了模型的预测性能。该研究旨在为商业建筑的短期能源消耗预测提供一个具有更高精度、可靠性和工程适用性的技术框架,为商业能源管理和可再生能源整合提供新的方法支持。
方法论
为了提高大型商业建筑短期能源消耗预测的准确性和鲁棒性,本研究开发了一个综合预测框架,该框架结合了相似性测量、两阶段源领域选择策略、多源迁移学习(MSTL)和分项负荷整合。该框架使用来自北京13家大型购物中心的每小时测量能源消耗数据构建。
数据描述和预处理
本研究使用了2023年从北京13家大型购物中心收集的每小时分项计量能源消耗数据。这些购物中心的建筑面积从63,000平方米到340,000平方米不等,建于2008年至2022年之间。每个购物中心都配备了完整的计量系统,监测关键的终端用途,包括租户负荷、HVAC、照明、电梯和杂项负荷。所有测量的时间分辨率为1小时,整体缺失数据率低于2%。
结果与讨论
本节展示了四种模型配置在两种学习场景下的性能。讨论分为三个部分。第4.1节系统评估了16种相似性度量在识别可转移源建筑方面的有效性。第4.2节比较了四种模型(B、M、MS和MSS)在新建建筑(NB)和老旧建筑(AB)场景下的预测性能。第4.3节提供了进一步的讨论
结论
本研究提出了一种结合相似性测量和分项计量的多源迁移学习模型,以改善商业建筑的短期能源消耗预测。该模型在两种典型的数据稀缺场景下进行了评估:新建建筑历史数据有限(场景NB)和分项计量记录不完整的老旧建筑(场景AB)。本研究系统地检验了各种相似性度量在源领域中的有效性
作者贡献声明
Xiaofeng Li:撰写 – 审稿与编辑、监督、资源管理、项目管理、方法论、资金获取、概念构思、调查。Fan Yang:撰写 – 审稿与编辑、初稿撰写、可视化、验证、方法论、调查、数据整理、概念构思、软件开发
利益冲突声明
? 作者声明他们没有已知的可能会影响本文报告工作的竞争性财务利益或个人关系。
致谢
本研究得到了中国国家重点研发计划(项目编号:2023YFC3805803)的支持。
生物通微信公众号
生物通新浪微博
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