《Energy and Buildings》:Multi-Model Ensemble with Cross-Domain Robust Stacking for Heating Season Electricity Consumption Prediction
编辑推荐:
短时电力需求预测在校园多建筑异构场景中具有关键作用,本研究通过十种异构机器学习模型(包括树模型、核方法、实例学习及神经网络)筛选出四类高性能基模型,并创新性地采用跨域鲁棒集成(CDRS)策略,通过OOF元特征构建避免信息泄漏,实验表明CDRS在RMSE和NMBE上分别优于最佳单模型18.6%和25.3%,平均R2值达0.90以上。
刘倩|于德虎|薛一冰|刘新燕|杨书娟
山东建筑大学土木工程学院,中国济南,250101
摘要
准确的短期电力消耗预测对于提高供暖系统效率以及在公共建筑中实现有效的需求侧管理至关重要。在本研究中,最初使用十种异构基础学习器(包括基于树的集成方法、核方法、基于实例的学习方法和神经网络)在四个代表性建筑类型的多源数据上进行了训练,以确定表现最佳的模型。从这些模型中选出了四种高性能的基础学习器——BPNN、XGBoost、LightGBM和TCN——用于集成。评估了三种集成策略:近似贝叶斯集成(ABE)、基于遗传算法的加权(GA)和跨域鲁棒堆叠(CDRS)。结果表明,CDRS的表现始终优于其他方法,与最佳单一模型相比,RMSE降低了18.6%,NMBE降低了25.3%,同时在所有建筑中的平均R2值均高于0.90。这些发现强调了将异构学习范式与领域感知的堆叠相结合的有效性,为异构建筑组合和更广泛的都市能源管理提供了稳健、通用且可扩展的解决方案。
引言
建筑物约占全球最终能源消耗的30%和能源相关二氧化碳(CO?)排放的26%,其中8%为现场直接排放,18%为场外电力和热力生产带来的间接排放[1]。供暖、通风和空调(HVAC)系统是建筑物内最耗能的终端用途,在寒冷气候下,空间供暖所占比例尤其高[2],[3]。
校园环境由于存在多种建筑类型(包括学术设施、研究实验室、图书馆、行政办公室和住宅宿舍)而带来了独特的预测挑战[4]。这些建筑在建筑特征、使用模式、运营时间表和供暖系统配置方面存在显著差异,因此在供暖季节的电力消耗情况也大不相同[5],[6],[7]。因此,准确预测这类异构建筑群体的每小时电力需求对于优化运营、提高能源效率和支持有针对性的碳减排计划至关重要[8],[9]。
数据驱动的方法,特别是机器学习(ML),在捕捉建筑属性、环境变量和运营因素之间的复杂非线性关系方面表现出强大的能力[10],[11]。与需要详细建筑特定参数且常常面临可扩展性限制的基于物理的模型相比,ML方法可以直接从历史数据中灵活学习模式。然而,大多数先前的研究都集中在单个建筑或同质建筑群上[13],[14],这限制了它们在异构多建筑环境中的适用性[15]。在这种情况下,一个主要挑战是领域偏移,即特征分布和运营方式的变化会降低模型的泛化能力[16]。要解决这一挑战,需要能够整合多源异构数据并在应用于未见过的建筑类型时保持预测准确性的预测框架[17],[18]。
为应对这些需求,本研究提出了一个可转移的多源集成框架,首先评估一组多样的候选基础学习器,然后使用跨域鲁棒堆叠(CDRS)策略整合最有效的模型。CDRS构建了外部折叠(OOF)元特征,以避免基础学习器和元学习器之间的信息泄露,从而提高预测稳定性和跨建筑泛化能力。
本研究的主要贡献如下:
- 1.
系统地对十种ML算法进行了跨建筑每小时电力预测的基准测试,并选出了一组互补的高性能基础学习器——BPNN、XGBoost、LightGBM和TCN——用于后续集成。
- 2.
提出了CDRS机制,该机制利用OOF元特征消除基础学习器和元学习器之间的信息泄露,并提高跨建筑类型的泛化能力。通过基于自举的置信区间和敏感性分析对集成模型进行了评估,明确考虑了数据清洗和时间评估协议的影响。
- 3.
在整个框架在四个校园建筑的真实世界每小时供暖季节数据集上进行了验证,与单个学习器和传统集成策略相比,显示出一致的预测准确性和鲁棒性提升。
为了提供一个清晰的路线图,本文的其余部分组织如下。第2节回顾了单模型预测、跨建筑泛化以及集成和堆叠方法的相关工作。第3节描述了数据和特征构建、基础学习器、集成策略和评估指标。第4节展示了基础模型和集成模型在四栋建筑上的预测性能,并对CDRS的改进进行了统计验证,并分析了异常值去除和滚动起点评估的敏感性。第5节总结了研究结果,讨论了校园级能源管理的实际意义,并概述了未来工作的方向。
部分摘录
建筑能源预测的单模型方法
已经采用了多种机器学习(ML)模型来进行建筑、供暖、通风和HVAC能源预测,包括基于树的集成方法、核方法、基于实例的学习方法和神经网络。这种多样性反映了能源使用驱动因素的异质性,以及捕捉非线性特征交互和时间依赖性的需求[19],[20]。
基于树的集成方法,如自适应提升(AdaBoost)、极端梯度提升(XGBoost)
提出的框架概述
该预测框架旨在提高异构校园建筑在供暖季节每小时电力消耗的预测准确性和跨领域适应性。如图1所示,该框架分为四个相互连接的模块:
(i) 多源数据采集和预处理,收集并转换操作数据、气候数据、环境数据和建筑相关数据,形成统一的特征表示。
(ii) 训练
基础模型性能
第3.3节配置的十种基础学习器分别在公寓楼、图书馆、办公楼和教学楼的数据集上进行了独立训练和评估。模型架构、超参数和训练程序遵循第3节描述的方法,性能在每栋建筑的70-30%时间保留部分上进行评估。表6、表7、表8和表9总结了每种建筑类型和基础模型的MAE、RMSE、NMBE和R2值。结论与未来工作
本研究提出了一个多模型集成框架,用于供暖季节异构公共建筑的短期电力消耗预测。利用一个综合数据集,该数据集整合了来自四种代表性建筑类型(公寓楼、办公楼、图书馆和教学楼)的操作数据、环境数据和几何特征,开发了十种基础学习器,包括基于树的集成方法、核方法、基于实例的学习方法和神经网络架构。
声明
- •
伦理批准:不适用
- •
参与同意:所有作者均已阅读并同意手稿的发表版本。
- •
出版同意:所有作者均已阅读并同意手稿的发表版本。
- •
数据和材料的可用性:本研究中的数据可向相应作者索取。
- •
代码的可用性:支持本研究结果的代码可向相应作者索取。
CRediT作者贡献声明
刘倩:写作——审阅与编辑,撰写初稿,软件开发,方法论,数据分析,概念化。于德虎:写作——审阅与编辑,项目管理,资金获取,数据管理,概念化。薛一冰:写作——审阅与编辑,方法论。刘新燕:写作——审阅与编辑,撰写初稿,软件开发,方法论。杨书娟:写作——审阅与编辑。