从物理模型到机器学习:区域供热建筑热负荷预测方法评估与输入数据影响分析

《ENERGY AND BUILDINGS》:From physics to machine learning in forecasting thermal load of a district-heated residential building: Assessment of different methods and influence of input data

【字体: 大 中 小 】 时间:2026年04月06日 来源:ENERGY AND BUILDINGS 7.1

编辑推荐:

  本研究针对建筑热负荷预测中现有方法评估不足、输入数据影响不明的问题,系统评估了物理模型、NARX神经网络和等效温度模型在长期监测的波兰住宅建筑中的应用。研究发现,使用近期、季节性对齐数据训练的NARX网络表现最佳(R2=0.937, cvRMSE=9.96%),是准确预测热负荷的最稳健工具。这项工作为优化区域供热系统运行、支持预测性控制策略提供了关键见解。

  
建筑供暖消耗了全球住宅建筑约70%的能源,而区域供热系统为其中约10%的需求提供了高效解决方案。优化建筑层面的供暖系统,特别是通过先进的控制策略,是提升能效、降低成本的关键途径。其中,准确的短期热负荷预测对于实现高效、可靠运行至关重要,它有助于优化热能生产与分配,最小化能量损失,并支持可再生能源的整合。然而,尽管物理模型、数据驱动模型和混合模型等多种预测方法并存,但在实际应用中仍面临挑战:许多研究依赖合成数据集,限制了模型在真实建筑中的泛化能力;不同预测方法在同一建筑上的直接比较研究较少;特别是从传统的天气响应控制过渡到预测性控制模式时,各种方法的性能与输入数据的影响尚不明确。为了填补这些研究空白,一项发表在《ENERGY AND BUILDINGS》上的研究,针对波兰一栋自2018年起持续监测、并于2021年引入forHEAT预测控制系统的住宅建筑,开展了一项结构化的多方法评估。
该研究采用了三种关键技术方法。首先,基于前三个采暖季(2018-2021年)的监测数据,利用EnergyPlus软件构建并校准了建筑物理模型,用于评估后续预测控制季节(2021-2024年)的热负荷模式。其次,开发了26个非线性自回归神经网络(NARX)模型,探究了不同季节子集、训练时长和控制范式(天气控制vs预测控制)组合下的预测性能。最后,引入了一种基于等效室外温度(Teq)的简化经验模型(即forHEAT系统所用方法),用于实时预测,并与前两种方法进行性能对标。所有模型均使用了长达六年的真实建筑监测数据,包括室外温度、风速、太阳辐射、建筑热负荷、介质流量和温度等。
4.1. 方法1: EnergyPlus 模型评估
研究结果显示,经过校准的EnergyPlus模型在天气控制模式下的校准期(2018-2021年)表现良好,符合ASHRAE标准。然而,当将其直接应用于预测控制模式下的季节(2021-2024年)时,误差指标显著上升,尤其是在过渡季节(秋季和春季)。这表明,基于静态或预定控制逻辑的传统物理模拟工具,难以准确复现基于实时天气预测的自适应控制策略所引入的动态行为变化,突显了其在模拟先进预测控制时的固有局限性。
4.2. 方法2: NARX 网络热负荷预测
在开发的26个NARX模型中,性能表现存在显著差异。跨季节泛化评估显示,在冬季进行训练和测试的模型表现最为稳定(Case 2)。全年性评估表明,使用与测试期(2023/24)处于相同预测控制模式下的近期、多年数据进行训练的模型性能最佳(Case 12, R2=0.937, cvRMSE=9.96%);而使用较早的单一季节天气控制数据进行训练的模型则表现最差,说明了训练数据时效性和控制模式一致性的重要性。冬季专项评估中,使用三个冬季训练的模型表现良好(Case 15)。过渡季节专项评估中,使用近期三个预测控制模式下的过渡季节数据训练的模型脱颖而出,成为所有NARX模型中的最优者(Case 26, R2=0.9371, cvRMSE=9.96%)。总体而言,NARX网络的性能高度依赖于训练数据的数量、季节性对齐以及控制模式的一致性。近期、多季节且与控制模式匹配的训练数据能产生最佳预测效果,而数据量不足或训练/测试期存在控制模式不匹配则会显著降低模型性能。
4.3. 方法3: 等效温度法热负荷预测
基于等效温度(Teq)的简化模型在所有评估案例中表现出较低的系统性偏差(NMBE在±0.6%以内),但其预测值的变异性较高(cvRMSE最高可达27%),且适应能力有限。尽管该方法计算简单、易于实时部署,但其预测精度和稳健性普遍低于表现优异的NARX网络。
结论与重要意义
本研究的核心结论是,在评估的三种方法中,NARX神经网络在各项性能指标上均 consistently 优于EnergyPlus物理模型和等效温度模型,特别是在过渡期或存在控制模式不匹配的场景下,展现了其作为精准热负荷预测工具的强大稳健性。研究强调了输入数据对数据驱动模型性能的决定性影响:充足、近期且与预测场景季节性对齐的训练数据是实现高精度预测的关键。相比之下,传统的物理仿真模型在模拟先进预测控制策略时存在不足,而简化的经验模型虽偏差小但波动大、适应性弱。
这项研究的重要意义在于,它通过长期、真实的建筑运营数据,首次系统性地比较了物理、数据驱动和简化模型在天气控制与预测控制两种模式下的表现,填补了文献空白。研究结果为建筑能源管理者和研究者提供了宝贵的实践洞见:在实施预测性控制时,应优先考虑基于近期运营数据训练的NARX等机器学习模型;同时,必须重视训练数据的质量和代表性,以确保模型的泛化能力。此外,研究也指出了未来方向,如将模型扩展至其他建筑类型和气候区,以及探索可解释性更强、能更好整合物理知识的混合建模方法,以推动建筑能源预测与控制领域向更精准、更自适应的方向发展。
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