《Sustainability》:Climate-Sensitive Staged Predictive Framework for Sustainable Residential Retrofit Assessment Using Adaptable Base Model Templates
编辑推荐:
住宅建筑改造需要可靠的建筑能耗模拟和高效的性能预测。该研究提出了一种可适应的工作流程,用于建立两种住宅基础模型模板,即角落空间(CS)和中间空间(IS)。研究人员通过基于澳大利亚国家建筑规范(NCC)的验证、与文献记载的墨尔本住宅参考模型的比较以及Morris
住宅建筑改造需要可靠的建筑能耗模拟和高效的性能预测。该研究提出了一种可适应的工作流程,用于建立两种住宅基础模型模板,即角落空间(CS)和中间空间(IS)。研究人员通过基于澳大利亚国家建筑规范(NCC)的验证、与文献记载的墨尔本住宅参考模型的比较以及Morris指数收敛性分析对模型进行了评估。这些模型与AI辅助的三阶段预测框架相结合,并在七个额外的澳大利亚气候条件下进行了评估,以墨尔本为主要案例,检验跨气候适用性。第一阶段开发了一个双变量分析模型来预测年能耗。第二阶段将其扩展为三变量关系,并将其能耗预测与支持向量机(SVM)进行了比较。第三阶段使用四种机器学习(ML)模型——人工神经网络(ANN)、SVM、随机森林(RF)和决策树(DT)——检验多变量案例,以预测性能指标并确定最佳模型。对于墨尔本主要案例,双变量关系再现了模拟响应,CS和IS的平均绝对百分比误差(MAPEs)分别为0.27%和0.62%。在第二阶段,分析模型达到了8.38%的MAPE,而SVM将误差降低至0.75%。跨气候结果证实了分阶段工作流程在不同气候下保持稳健。在第三阶段,SVM在数据有限时表现稳健,而ANN和RF在样本量更大时更具竞争力。DT容易过拟合。所提出的框架通过支持在详细优化之前进行改造热点筛选和合适的代理模型选择,从而支持早期住宅改造评估。
**研究背景与问题**
建筑能耗占全球总能耗的36%–40%,既有建筑存量远超新建建筑,改造可减少30%–72%的能耗。现有改造研究多依赖物理模拟(如EnergyPlus),但计算成本高、输入要求详细且引入不确定性;数据驱动方法(如机器学习代理模型)可加速预测,但缺乏指导预测方法选择的系统性路径,且研究多局限于特定案例,难以推广至不同空间类型、朝向和气候条件。因此,本研究旨在开发通用的住宅空间模板,并提出分阶段预测框架,以解决两个核心问题:能否建立可代表常见居住空间的通用基准空间以支持早期改造热点识别?当改造变量数量增加时,分阶段预测策略如何指导分析方法和机器学习代理之间的选择?
**研究内容与结论**
研究人员开发了两种通用住宅空间模板——角落空间(CS)和中间空间(IS),分别代表具有两面外墙和一面外墙的典型居住空间(如卧室、客厅)。通过澳大利亚国家建筑规范(NCC)合规性验证、与文献记载的墨尔本住宅参考模型对比及Morris指数收敛性分析,评估了模型可靠性。随后,将模板与AI辅助的三阶段预测框架结合,在8种澳大利亚气候条件(墨尔本为主要案例)下检验跨气候适用性。
第一阶段(双变量案例)建立了基于空间长度(x)和长宽比(r)的分析模型,预测年能耗(AEC),在8个朝向上MAPE均低于1%(CS训练集0.38%,IS训练集0.62%)。第二阶段(三变量案例)引入朝向(z),分析模型仍可接受(CS训练MAPE 8.38%),但支持向量机(SVM)将误差降至0.75%,表现更优。第三阶段(多变量案例)对比了人工神经网络(ANN)、SVM、随机森林(RF)和决策树(DT)在5种样本量(100–500)下的性能,发现SVM在小样本下稳健,ANN和RF在大样本下更具竞争力,DT易过拟合。跨气候结果表明,该框架在不同气候下保持预测一致性,但最佳模型随样本量、空间类型和气候条件变化。
研究为早期住宅改造评估提供了可复用的预优化框架,支持在详细优化前快速筛选改造热点并选择合适的代理模型。论文发表在《Sustainability》。
**主要关键技术方法**
研究采用OpenStudio(v1.8.0)建立建筑模型,基于澳大利亚NCC指南设定参数;以jEPlus(v2.2.0)作为参数化模拟引擎,使用理想空气负荷进行加热/冷却计算。模型验证包括NCC合规性检验、与文献中墨尔本住宅参考模型对比,以及Morris敏感性分析(样本量100–500,覆盖8种气候)。预测框架包含三个阶段:阶段1通过二次多项式拟合和变换方程建立双变量分析模型;阶段2扩展为三维表面变换并与SVM(RBF核)对比;阶段3采用拉丁超立方采样(LHS)生成5个不同样本量数据集,训练ANN、SVM、RF、DT四种模型,通过网格搜索和重复k折交叉验证优化超参数,以R2、MAE、RMSE评估性能。所有模拟数据均来源于Climate.onebuilding.org的天气文件。
**研究结果**
4.1 双变量分析:模式与拟合
通过绘制AEC随长度x和长宽比r的变化曲线,发现曲线族有序且不交叉,以r=1为基准,采用变换方程f = A(r)[h(B(r)x + C(r))] + D(r)拟合,R2接近1,为后续预测奠定基础。
4.2 预测精度与一致性(双变量案例)
对CS和IS模型,所有128个训练点及额外验证点的MAPE均低于1%(CS训练MAPE 0.15%–0.38%,IS训练MAPE 0.40%–1.13%),表明分析模型在双变量下高精度且不过拟合。
4.3 三变量分析:模式与拟合
将AEC表示为朝向z、长度x和长宽比r的三维曲面,以r=1为基准面,采用变换方程f = A(r)[h(B1(r)x + C1(r), B2(r)z + C2(r))] + D(r)拟合,R2达0.98。
4.4 三变量案例预测精度与一致性
分析模型预测值与模拟值紧密对齐,CS训练MAPE 8.38%,IS训练MAPE 13.37%,大部分点落在10% MAPE带内,无系统性偏差,但低AEC处相对误差增大。
4.5 三变量案例使用SVM的预测精度与一致性
SVM(RBF核)在相同数据集上表现更优,CS平均MAPE 0.75%,IS平均MAPE 0.91%,几乎所有点落在5% MAPE带内,误差方差更低,稳定性更强。
4.6 多变量案例使用ANN、SVM、RF、DT的预测精度与一致性
随着样本量从100增至500,所有模型R2均提升,训练-测试差距缩小。SVM在有限数据下保持窄训练-测试差距;ANN在大样本下性能显著提升;RF在高训练R2但训练时间长;DT测试R2最低,严重过拟合。
4.7 所提出框架的跨气候适用性
在8种气候条件下,阶段1双变量分析模型MAPE始终低于1.2%(CS中位数0.04%–0.40%,IS中位数0.05%–1.08%),阶段2分析模型在CS中高精度,在IS中误差略高,但SVM在所有气候下均优于分析模型。阶段3最佳ML模型随样本量、气候和空间类型变化,SVM在小样本时普遍最优,ANN和RF在大样本时竞争,DT极少最优。
**总结讨论与结论翻译**
讨论部分指出,所提出的框架适用于空间级早期改造评估,可为不同复杂度的问题提供预测方法选择路径:双变量时分析模型实用快速,多变量时推荐ML代理。跨气候分析证明了框架结构可复用,但最佳预测方法需根据具体条件选择。
研究结论翻译如下:本研究开发了可复用的基础模型方法,用于早期住宅改造评估,使用两种通用参考空间(角落和中间)。模型通过NCC合规性检查、与文献记载的墨尔本住宅参考模型比较以及不同气候下的Morris指数收敛性分析进行了评估。此外,开发的模型与可适应的三阶段预测框架相结合,并在多个澳大利亚气候条件下进一步评估。第一阶段建立了双变量分析关系,能够预测两个选定决策变量的任何性能指标;第二阶段将此关系扩展为统一的三变量案例;第三阶段对四种ML模型(ANN、SVM、RF、DT)进行了基准测试,用于AEC/HL/CL/TDH的多变量预测,使该方法能够广泛适用于复杂场景。关键发现如下:跨朝向上,双变量关系的预测与模拟结果紧密匹配,均落在高精度区间(MAPE < 10%)。在三变量案例中,分析模型仍表现合理,但SVM产生了更低的误差和更好的稳健性,表明随着变量交互增加,机器学习模型变得更为合适。然而,如果可解释性优先,分析方法仍是一个有用的选项。ML评估显示,随着样本量增加,精度持续提升,并明确了不同模型的作用:SVM在有限数据下表现良好,ANN在大数据集下性能增强,RF获得高训练分数但需要较长运行时间,DT常倾向于过拟合数据。这些发现对住宅改造研究具有实用价值。所提出的基础模型方法可被其他研究人员和实践者应用于其自身的住宅案例,以定位改造敏感区域。此外,预测框架提供了根据改造问题选择合适预测策略的路径。考虑到房主通常倾向于选择一或两项成本有限的改造措施,分析方法在双变量场景中被证明是实用、快速且高效的选择。另一方面,当改造问题变得复杂且涉及多个变量时,推荐使用ML代理,所提出的预测框架为基于代理的优化选择最佳ML模型提供了系统基础。跨气候分析通过展示所提出框架可以在不同气候条件下重新应用而不改变其结构,强化了方法论贡献。尽管首选预测方法随样本量、空间类型和气候变化,但分阶段工作流在指导何时分析关系足够、何时ML代理更合适方面仍然有用。总体而言,这些发现为根据模型复杂性、数据可用性、可解释性和计算工作量选择预测方法提供了实用基础。当前工作仅限于空间级改造评估。模拟使用了理想空气负荷,因此报告的结果代表理想的区域级加热和冷却需求,而非实际HVAC能耗。框架还考虑了选定的几何、围护结构和设定点变量集。成本和碳指标未纳入当前框架。未来工作可扩展至包含显式HVAC系统的全楼交互,并将所选代理集成到完整的多目标优化工作流中。还可以通过使用气候特定的地面温度廓线来改进地面温度假设。此外,该方法不限于当前住宅空间,也建议将框架扩展至其他建筑类型。