一种集成自编码器的扩展长短期记忆模型,用于跨气候区域的长期序列能耗预测

《Energy》:An Autoencoder-Integrated extended Long Short-Term Memory Model for Long-Sequence Energy Consumption Prediction Across Climate Zones

【字体: 大 中 小 】 时间:2026年08月28日 来源:Energy 10.1

编辑推荐:

  摘要:建筑碳排放占全球总碳排放的37%,而早期设计决策锁定了大约80%的生命周期能源负荷。因此,准确预测不同气候区的长期能源序列至关重要。然而,标准的循环网络在处理长序列时会遇到梯度崩溃问题,而跨气候区的方法缺乏有效提取气候不变特征的机制。本研究提出了一种结合自动编码器的扩展长短

  摘要:建筑碳排放占全球总碳排放的37%,而早期设计决策锁定了大约80%的生命周期能源负荷。因此,准确预测不同气候区的长期能源序列至关重要。然而,标准的循环网络在处理长序列时会遇到梯度崩溃问题,而跨气候区的方法缺乏有效提取气候不变特征的机制。本研究提出了一种结合自动编码器的扩展长短期记忆(xLSTM_AE)模型,该模型利用xLSTM来缓解梯度问题,并集成正弦位置编码(SPE)以提供确定性的时间参考。自动编码器(AE)执行任务集成非线性压缩,其中瓶颈层通过端到端训练与预测目标共同优化。这是首次系统地将xLSTM_AE应用于跨气候区的长序列建筑能源预测,通过消融实验阐明了每个组件的贡献。在五个气候区的评估表明,xLSTM_AE的性能始终稳定(R2=0.97,平均绝对误差(MAE)=3.95,均方根误差变异系数(CVRMSE)=14.67%,归一化平均偏差误差(NMBE)=-2.88%),优于双向长短期记忆(BiLSTM)、反向传播神经网络(BPNN)和Transformer。消融分析显示,AE瓶颈层恢复了xLSTM在复杂气候区中的能力(R2从0.63–0.73提高到0.94–0.97),而按负荷分位数计算的CVRMSE显示,在三个城市中,其校准误差低于主成分分析(PCA)+ xLSTM的结果。中心核对齐(CKA)表明,SPE减少了递归记忆中的位置漂移,并实现了结构上不同的表示。Shapley加性解释(SHAP)揭示了不同气候区之间的自适应供暖和制冷模式切换,为改造提供了优先级指导。

引言:全球气候变化和化石资源的枯竭已成为威胁人类生存和发展的严峻环境挑战[1]。作为这些问题的主要原因,建筑业在全球能源动态和环境影响中起着关键作用。2022年,建筑行业占全球能源需求的34%和能源及过程相关二氧化碳(CO2)排放的37%[2]。特别是在中国,建筑运营阶段的碳排放约占全国总量的22.1%,其中住宅建筑贡献了39%[3]。因此,准确预测建筑能耗具有重要意义。这不仅提高了早期设计决策的效率,也提高了整体能源利用效率。先前的研究表明,早期设计决策影响了建筑物80%的环境负荷和运营成本[4]。在这种背景下,研究不同气候区长序列建筑能耗预测已成为建筑能源分析的核心焦点。

传统的建筑能耗预测主要使用基于物理的仿真工具(如EnergyPlus、DesignBuilder、TRNSYS、eQuest、DOE-2和DeST)来生成每日或每小时的建筑数据[5]。虽然这些方法基于热物理机制,但其实际应用受到用户对建筑结构和能源系统专业知识的严重依赖以及高昂的计算成本的限制[6]。为了提高分析效率,数据驱动的方法作为一种强大的替代方案出现,提供了快速计算和强大的高分辨率时间序列预测能力[7]。静态模型,包括人工神经网络(ANN)、支持向量机(SVM)、随机森林(RF)、梯度提升回归树(GBRT)和极端梯度提升(XGBoost),在特定条件下表现出色。例如,Zhu等人[8]应用ANN模型预测HVAC水系统的总能耗,取得了0.95的R2值。Seyedzadeh等人[9]评估了SVM、RF、NN、GBRT和XGBoost模型进行年度建筑负荷预测,发现GBRT最准确,同时注意到SVM在简单数据集上的计算速度快。然而,当预测范围扩展到每天或更长时间时,输入窗口内缺乏足够的代表性天气信息会显著降低模型性能[10]。因此,静态模型难以适应对时间变化或气候波动高度敏感的建筑能耗预测场景。深度时间模型显著提高了建筑能耗预测的准确性,循环神经网络(RNN)和长短期记忆(LSTM)网络在这一领域得到了越来越广泛的应用[11]。由于能够有效捕捉复杂的非线性时间依赖性和处理序列数据,循环网络(如LSTM)已成为主流方法[12]。例如,Sendra-Arranz等人[13]利用LSTM根据前一天的能耗序列预测第二天的电力消耗数据,而Pittí等人利用LSTM结合气象条件和之前的能耗数据预测剧院热泵的能耗。然而,随着预测范围的延长,历史信息对未来状态的有效贡献逐渐减弱,通常伴随着递归预测中的误差累积[14],这使得传统循环模型难以适应长序列时间序列预测的要求。为了解决这些问题,Beck等人[15]提出了扩展长短期记忆(xLSTM)模型,该模型采用了指数门控和混合矩阵记忆结构等创新特性。这些改进显著提高了模型对突发事件的响应能力和处理长序列数据的能力。此外,Hu等人[16]使用xLSTM模型预测每日住宅二氧化碳排放,与标准LSTM相比,R2提高了0.08,MAE降低了0.1。同样,Ma等人使用xLSTM模型预测停车车辆流量,结果表明R2值为0.91(LSTM为0.85),RMSE值为29.08(LSTM为37.39),显示出比基础LSTM模型更大的改进。

在长序列时间序列预测中,模型感知时间顺序、间隔和周期的能力对于捕捉长期依赖性至关重要。为了增强对时间结构的识别,许多研究将位置编码(PE)集成到长序列预测架构中[17]。例如,Zhou等人[14]将正弦位置编码(SPE)应用于Informer模型,证明了其在多个基准测试中捕捉长期依赖性的有效性。然而,标准的PE设计往往难以适应循环网络的具体架构特征。这种忽视引发了关于PE在循环模型中实用性的争议;由于循环架构本质上是顺序处理数据的,它们具有隐含的时间偏差,可能会使显式PE变得多余。因此,一些研究人员认为PE引入了数据冗余并降低了性能。Zeng等人[18]指出,传统PE在Seformer中的适应性有限,而Das等人[19]发现显式PE并不能始终提供稳定的顺序感知,甚至可能引入偏差。相反,最近的证据挑战了这一观点:Morita[20]通过合成基准测试表明,PE通过减轻低频令牌引起的梯度不稳定性,显著增强了循环模型(如GRU、LSTM和S4D)的学习能力。这些发现表明,位置编码对循环模型的影响取决于任务特定特征、序列长度和编码形式。建筑能耗预测为此类辩论提供了关键测试平台,因为它涉及跨越几天到几个月的序列,涵盖了不同气候区的季节性变化和极端天气变化。SPE是否能为此类复杂能源预测任务中的循环模型提供确定性的时间参考,仍有待通过定量分析来澄清。

跨气候区能耗预测的核心挑战在于不同气候区之间气象驱动机制和能源响应模式的根本差异,这使得在单一气候区训练的模型难以直接转移到其他气候区。因此,识别有效的迁移学习策略以弥合这些区域差异已成为近期研究的焦点。为此,大多数研究采用迁移学习策略来减少源域和目标域之间的分布差异[21]。Liu等人[22]构建了一个结合卷积神经网络-门控循环单元(CNN-GRU)与对抗性领域适应的深度迁移学习框架,在跨建筑能耗预测中实现了68–78%的模型适应率。他们的研究进一步表明,源域数据的多样性与迁移效果正相关,指出只有当训练域包含多个气候区时,模型才能获得有效的泛化能力。Yang等人[23]提出了一个两阶段级联框架,集成序列到序列(Seq2Seq)、强化学习和注意力转移,在绿色建筑能耗预测中获得了0.98的R2值。然而,他们也指出,在极端天气事件下,模型的RMSE增加了15–20%,并且需要6–12个月的高质量训练数据。Alshareef等人[24]利用商业建筑能源模拟数据对不同气候区的负荷剖面差异进行了全面分析,量化了冷却和供暖负荷对不同温度梯度的敏感性。他们发现,气候变化幅度和负荷波动模式在不同地区经历了系统性的重构,表明建筑围护结构的热响应在不同湿度和辐射条件下的变化显著。这一发现表明,跨气候区模型必须具备根据特定气候特征自适应切换能源响应模式的能力,而不仅仅是拟合一个通用的映射函数。尽管如此,现有研究主要集中在单个气候区内或相邻气候区之间的迁移。虽然一些工作探索了跨城市迁移,但通常限于气候条件相似的城市对。对于涵盖多种气候区的城市建筑能耗预测场景,其泛化能力的评估仍有待进一步探索。

尽管机器学习在建筑能耗预测方面取得了显著进展,但在长序列预测任务中仍存在几个局限性。首先,建筑能耗序列具有内在的多周期性特征,包括每日、每周和季节性模式。随着预测范围扩展到数百小时,循环模型的隐含时间意识往往会下降。其次,传统循环架构在处理长序列时常遭受梯度不稳定性。虽然xLSTM在其他领域表现出优越的长距离建模能力,但其在中跨气候建筑能耗预测中的表现尚未得到系统评估。最后,气象特征具有复杂的非线性耦合特性。此外,这些特征的分布在不同气候区之间存在显著差异。现有的跨气候预测方法通常依赖目标域数据进行适应或微调。这些方法缺乏从多源气象输入中自动提取气候无关特征的表示学习机制。这种缺陷限制了模型在跨气候条件下的预测能力。

为了解决这些问题,本研究提出了xLSTM_AE用于跨气候区长序列建筑能耗预测。该架构整合了三个组件,形成一个依赖链。首先,采用xLSTM作为编码器-解码器主线,替代了在长时间范围内容易发生梯度崩溃的标准循环网络。其次,集成SPE以在递归状态中固定时间位置——因为在长序列中递归记忆中的隐含位置信息会退化;SPE提供的稳定时间结构是xLSTM编码器执行可靠长距离编码的前提。第三,在这种稳定的表示基础上,xLSTM被组织在一个自动编码器框架(编码器-瓶颈-解码器)中,其中瓶颈层执行任务集成非线性压缩:压缩映射通过端到端训练与预测目标共同学习,从而使潜在表示优化为将气象序列映射到相应的能耗,而不是用于输入重建。这种联合优化使瓶颈层能够适应性保留与目标能耗相关的信息,同时压缩特定于气候的变化,使得压缩和预测目标在单一端到端框架中内在关联。

本研究的主要贡献在于首次系统地将xLSTM_AE(结合xLSTM、SPE和AE瓶颈)应用于跨气候区长序列建筑能耗预测。这项工作不是提出新的独立组件,而是通过系统的消融和表示分析,确定了每个现有组件在此特定应用环境中的功能贡献,为跨气候能耗预测架构的设计提供了实证证据。该架构在中国五个气候区进行了评估,并使用系统化的消融和表示分析(CKA)来验证每个组件的必要性。本文的其余部分安排如下:第2节介绍xLSTM_AE的架构设计和训练策略。第3节报告了模型比较、消融实验和基于SHAP的可解释性分析结果。第4节讨论了研究结果。第5节总结了本文,并提出了未来工作的方向。

**方法论**
本研究提出了一种对称的xLSTM自编码器(xLSTM_AE)用于建筑能耗预测。该框架采用了一个可配置的嵌入模块来整合气象特征和空间信息,然后通过xLSTM的指数门控和矩阵记忆机制来捕捉长期时间依赖性。通过在对称的编码器-解码器结构中集成这些组件,模型建立了一个结构性的闭环,从而实现了非线性关系的处理。

**结果**
本研究使用的性能指标包括决定系数(R2)、平均绝对误差(MAE)、均方根误差的变异系数(RMSECV)和标准化平均偏差误差(NMBE)。R2用于衡量模型对数据方差的解释能力,并表明模型的拟合优度。MAE表示预测值与实际值之间的平均绝对差异。RMSECV反映了预测误差与实际值均值的相对水平。

**讨论**
本研究提出了一种xLSTM_AE模型,该模型将位置编码与自编码器架构相结合,用于长序列建筑能耗预测。模型的性能和稳定性通过贝叶斯优化和5折交叉验证进行了全面评估。结果表明,xLSTM_AE有效地提取了气象特征与能耗数据之间的非线性关联,显著提高了预测准确性。

**结论**
本研究首次系统地将xLSTM、SPE(空间位置编码)和AE(自编码器)集成起来,用于跨气候区域的长序列建筑能耗预测。这种集成并非基于各个组件的新颖性——xLSTM、SPE和自编码器框架都是成熟的方法——而是基于它们在解决特定应用挑战方面的功能协同作用:即720小时序列中的位置漂移问题以及长期预测中的梯度不稳定问题。

**作者贡献声明**
徐学松:监督、项目管理、资金筹集。
袁蕾:资源管理、项目管理、研究、资金筹集。
钟国东:撰写与审稿、可视化、软件开发、方法论。
冯金涛:撰写与审稿、初稿撰写、可视化、软件开发、方法论、数据管理、概念化。

**声明**
作者声明:
- 所描述的工作此前未曾以预印本、摘要、已发表的演讲、学术论文或注册报告的形式发表;
- 本文未同时考虑在其他地方发表;
- 本文的发表已得到所有作者的同意,以及相关工作开展地的负责机构的明确或默示批准;
- 如果被接受,本文不会以相同的形式在其他地方(无论是英文还是其他语言)发表。

**关于生成式AI的声明**
作者在撰写过程中未使用生成式AI或AI辅助技术。

**关于利益冲突的声明**
作者声明:他们没有已知的可能会影响本文所述工作的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:2023YFB2906100)和广东省基础与应用基础研究基金(项目编号:2023A1515011647)的支持,同时也得到了深圳大学智能计算中心的支持。

**作者列表**
冯金涛 | 钟国东 | 袁蕾 | 徐学松
深圳大学建筑与城市规划学院,中国深圳,518060
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