气候情景感知的人工智能框架用于预测气候变化下未来建筑能耗

《Sustainability》:A Climate-Scenario-Aware Artificial Intelligence Framework for Predicting Future Building Energy Consumption Under Climate Change

【字体: 大 中 小 】 时间:2026年07月08日 来源:Sustainability 4.1

编辑推荐:

  准确的建筑能耗预测对于气候适应性设计、改造规划和长期能源管理至关重要。然而,大多数机器学习(Machine Learning, ML)模型都是使用历史天气数据开发的,隐含地假设未来的气候条件将与过去相似。这一假设正日益受到气候变化的挑战,气候变化正在改变温度模

  
准确的建筑能耗预测对于气候适应性设计、改造规划和长期能源管理至关重要。然而,大多数机器学习(Machine Learning, ML)模型都是使用历史天气数据开发的,隐含地假设未来的气候条件将与过去相似。这一假设正日益受到气候变化的挑战,气候变化正在改变温度模式、日照暴露、湿度水平和极端天气事件的频率。本研究提出了一个气候情景感知的人工智能(Artificial Intelligence, AI)框架,将未来气候条件整合到模拟驱动的机器学习开发和验证中。基于Hilton Watford背景的英国酒店案例研究,未来天气情景来源于CIBSE数据集,该数据集基于UKCP18和CMIP6气候预测。在基线、中度变暖、高度变暖和热浪压力测试情景下,使用EnergyPlus 23.2.0版本进行模拟,生成逐时建筑能耗数据。研究人员使用仅历史数据(Historical-Only, HO)和气候情景感知(Climate-Scenario-Aware, CSA)两种训练方法,对随机森林(Random Forest, RF)、XGBoost 2.1.1、多元线性回归(Multiple Linear Regression, MLR)和多层感知机(Multi-Layer Perceptron, MLP)模型进行了训练和评估。结果表明,仅基于历史条件训练的模型在当前条件下保持高精度,但在未来气候情景下性能显著下降,特别是在冷却需求和峰值负荷预测方面。相比之下,气候情景感知模型在极端热浪条件下表现出更强的鲁棒性、更低的预测误差和更高的物理一致性,同时在当前气候条件下保持可比的性能。所提出的框架为开发用于建筑能耗预测的气候韧性AI模型提供了可重复的方法,并强调了将未来气候情景纳入模型训练和验证的重要性。研究结果表明,气候压力测试应成为基于AI的建筑能耗分析、数字孪生和长期能源规划工具的标准组成部分。
**研究背景与问题**
建筑能耗在全球脱碳和气候韧性中占据核心地位,其运行能耗(供暖、制冷、通风、照明及热水)占建筑生命周期排放的很大比例。准确的能耗预测对建筑设计、改造规划和能源系统管理至关重要。然而,当前大多数机器学习(Machine Learning, ML)模型基于历史天气数据开发,隐含假设未来气候条件与过去相似。气候变化正通过改变温度模式、日照暴露、湿度水平和极端天气事件频率,日益挑战这一假设。这导致模型在非平稳气候条件下可靠性下降,尤其是冷却需求和峰值负荷预测可能被低估,进而引发系统容量不足、改造策略失效及长期规划决策失误。因此,亟需一种能够明确将未来气候情景纳入模型开发与验证的集成框架,以提升AI模型在气候非平稳性下的鲁棒性。

**研究内容与结论**
研究人员提出了一个气候情景感知的人工智能(Artificial Intelligence, AI)框架,将未来气候条件直接整合到模拟驱动的机器学习开发与验证中。基于英国Hilton Watford背景的酒店案例,使用CIBSE未来天气文件(基于UKCP18和CMIP6气候预测)生成六个气候情景:基线(S0)、中度变暖(S1、S2)、高度变暖(S3、S4)及极端热浪压力测试(S5)。通过EnergyPlus 23.2.0模拟获取逐时建筑能耗数据,并构建包含47个输入特征的机器学习数据集。采用随机森林(Random Forest, RF)、XGBoost 2.1.1、多元线性回归(Multiple Linear Regression, MLR)和多层感知机(Multi-Layer Perceptron, MLP)四种模型,对比仅历史数据(Historical-Only, HO)训练与气候情景感知(Climate-Scenario-Aware, CSA)训练两种范式。结果表明,HO模型在基线条件下精度高(XGBoost R2=0.971),但在未来高温情景下性能显著退化(S4下RMSE增长187%,峰值负荷低估34.3%);CSA模型则在保持基线精度(R2≈0.97)的同时,将未来RMSE增长限制在38%,峰值负荷误差降至8-12%。极端热浪测试(S5)中,HO模型出现物理不合理的预测(如负冷却需求),而CSA模型保持稳定。该框架为开发气候韧性AI模型提供了可重复的方法论,并强调气候压力测试应成为标准评估环节。论文发表在《Sustainability》。

**关键技术方法**
研究采用的关键技术方法包括:(1)基于CIBSE未来天气文件(含UKCP18和CMIP6气候预测)的天气形态生成技术,构建六个气候情景;(2)EnergyPlus 23.2.0建筑能耗模拟,生成逐时供暖、制冷、电力及峰值负荷数据;(3)Python 3.11自动化脚本(Eppy、Geomeppy库)实现批量模拟与数据提取;(4)特征工程:整合气候变量、衍生热指标(如供暖度小时HDH、制冷度小时CDH)、时间编码(正弦/余弦变换)及建筑操作参数,形成47维特征矩阵;(5)四种机器学习模型(RF、XGBoost 2.1.1、MLR、MLP)的超参数优化(5折交叉验证与网格搜索);(6)三层次验证框架:Tier 1基线精度测试(20%时序分离)、Tier 2未来气候泛化(留一情景法)、Tier 3气候压力测试(S5极端热浪,故意排除于训练集);(7)鲁棒性指标:RMSE增长因子、峰值负荷预测误差、时间峰错位。样本来源为模拟驱动,无真实队列。

**研究结果**
**5.1 当前性能:Tier 1验证**
在基线条件下,所有模型均表现良好:XGBoost 2.1.1达到最高精度(R2=0.971,RMSE=8.3 kWh,MAE=5.1 kWh),MLP次之(R2=0.963),RF为R2=0.951,MLR最低(R2=0.871)。CSA模型与HO模型在基线精度上统计相当,证明加入未来情景不损害当前性能。

**5.2 未来气候泛化:Tier 2验证**
在S1-S4情景下,HO模型RMSE随变暖加剧而超线性增长(S4下XGBoost HO的RMSE达23.9 kWh/h,较基线增长187%);CSA模型仅增长38%(RMSE≈11.2 kWh/h)。RF和MLP表现出类似趋势,但MLP在极端条件下变异性更大。RMSE增长因子图显示,HO模型在S4下增长约4-5倍,CSA模型仅1.5-2倍。

**5.3 气候诱导的需求转移**
模拟显示,年供暖需求从S0的842 MWh降至S4的392 MWh(-53%),而年制冷需求从318 MWh升至841 MWh(+164%),S5下进一步升至1042 MWh。总电力需求在S4下增加26%。夏季电力占比从基线24%升至S4的38%,季节性峰值从冬季供暖转向夏季下午制冷(14:00-17:00)。

**5.4 峰值负荷行为与极端事件响应**
峰值电力需求从S0的387 kW升至S4的601 kW(+55%),S5下达724 kW(+87%)。HO XGBoost在S4下低估峰值34.3%,S5下低估43.2%;CSA模型仅低估8-12%。未满足制冷小时从S0的0小时升至S4的347小时,S5下达612小时。

**5.5 气候压力测试结果:Tier 3**
在S5热浪下,HO模型RMSE增长因子为4.2-5.8倍(MLP最不稳定,MLR最差),并出现物理不合理预测(负冷却需求、同时供暖/制冷)及时间峰错位(仅52%日峰值预测误差在±1小时内)。CSA模型RMSE增长因子为1.8-2.6倍,XGBoost表现最佳,89%日峰值预测误差在±1小时内,且无物理不合理输出。

**讨论与结论**
讨论部分指出,气候非平稳性是AI建筑能耗预测的根本挑战,HO模型在极端条件下性能严重退化,而CSA训练通过扩展域适应(Domain Adaptation)显著提升鲁棒性,且不牺牲当前精度。研究强调,仅依赖历史数据的模型可能导致基础设施规划不足(如峰值负荷低估34-43%),而气候压力测试应成为标准评估范式。未来需结合真实运行数据、概率性占据行为模型及不确定性量化方法(如贝叶斯神经网络、共形预测)进行验证。

**研究结论**(翻译自7.1节):
本研究提出并验证了一个气候情景感知的人工智能框架,用于预测气候变化下的未来建筑能耗。该框架整合了天气形态生成、EnergyPlus 23.2.0模拟(涵盖六个变暖轨迹)、两种训练范式下的监督机器学习,以及气候压力测试方法。得出五点主要结论:
(1)气候非平稳性是对历史训练AI建筑能耗模型有效性的根本威胁;仅历史模型在高温和热浪情景下R2显著下降,峰值负荷预测误差达34-43%,不适合长期基础设施规划。
(2)气候情景感知训练显著缓解了非平稳性的影响,CSA模型在测试的变暖轨迹下将R2退化限制在2-4个百分点,峰值负荷误差限制在8-12%,同时保持与当前条件相当的统计性能。
(3)气候压力测试揭示了标准评估中不可见的模型脆弱性,包括物理不合理预测和时间峰错位,尤其在仅历史模型在极端条件下。
(4)观察到的向制冷主导需求的转变(年制冷能增加164%,峰值需求增加87%),确认了建筑设计、改造规划和城市能源基础设施管理中迫切需要气候适应性方法。
(5)该框架的模块化、脚本驱动架构支持跨多种建筑类型、城市区域和气候区域的扩展应用,可整合到法规评估、规划工具和建筑管理系统中。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

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