摘要
建筑能耗预测为建筑的智慧运维和节能低碳控制提供了关键的技术支撑。本研究针对跨季节或不同运行模式的蓄能空调系统能耗预测，综合室外气象参数、室内环境参数以及历史能耗数据，构建多属性高维度的聚类向量；采用统计特征提取和维度归一化（SFEDN）增强 K-means 算法聚类效果，实现能耗特征的聚类解构。引入粒子群优化算法（PSO）优化 GRU 超参数，实现模型训练自适应，并通过 k 倍交叉验证评估自适应模型的鲁棒性和稳定性。研究结果表明，多属性聚类建模优于单属性建模，SFEDN 方法相比常规方法聚类多属性高维度的向量更具有优势。具体而言，多属性聚类建模的预测结果相比采用空调系统能耗的单属性聚类，RMSE降低12.6%，R2增大4.0%，MAPE下降26.3%。相比未聚类的静态预测，RMSE降低11.9%，R2增大3.8%，MAPE降低19.9%。
关键词：空调系统能耗；聚类分析；深度学习；模型自适应；动态预测
近些年，基于数据驱动或者黑盒的建筑能耗预测模型被广泛应于建筑能源控制、设计优化、改造评估、能源定价指导、故障诊断、需求侧管理、室内热环境舒适度评价、病毒预防及控制等关键领域。但是，传统的黑盒模型的预测效果往往受限于建筑能源复杂运行模式的变化和季节更替的影响。现有研究表明，聚类分析有利于建筑能源的特征识别，以此确定能源随时间或季节变化的消耗趋势。然而，基于能源聚类的效果有限，尽管引入了额外的能耗相关数据来扩展聚类向量属性和维度，但基于距离的聚类算法的性能受到高维度数据的约束。其次，测试集往往局限于单一模型的静态预测，未能充分利用聚类分析在分簇建模中的基本功能。另外，自适应训练的模型在不同子集中的泛化能力和鲁棒性缺乏验证。
因此，本研究构建了一种基于特征聚类解构与模型自适应训练的办公建筑空调系统能耗预测模型。在数据预处理阶段，综合室外气象数据、室内环境数据和历史能耗数据构建多属性高维度向量，采用统计特征提取和维度归一化（SFEDN）的方法，在保留原始多属性信息的同时降低属性高维度、数值差异、相关性对聚类效果的影响。在预测模型训练与验证阶段，采用粒子群算法对门控循环单元模型（GRU）的关键参数进行了优化，增强模型在训练过程中的自适应性，并引入k倍交叉验证来评估各个子模型的鲁棒性和稳定性。在模型匹配阶段，通过计算基于历史24小时的统计特征与聚类中心之间的相似度来选择最佳子模型。最终，基于匹配的最佳子模型实现多模型的动态预测。
图1 研究框架
（1）特征聚类解构
（2）模型自适应训练与交叉验证
（3）动态预测机制
（4）测试集预测结果分析
本研究针对跨季节或不同运行模式的蓄能空调系统预测，构建了一种基于特征聚类解构与模型自适应训练的动态预测方法。首先，结合室外气象参数和室内环境参数构建了多属性高维聚类向量，并通过统计特征提取和维度归一化（SFEDN）方法增强了 K-means 算法的聚类效果实现空调能耗的特征解构。在聚类建模框架内，采用粒子群寻优算法（PSO）辅助深度学习门控循环单元（GRU）模型在训练阶段实现关键超参数的自适应调整，同时引入 k 倍交叉验证评估了子模型的鲁棒性和稳定性。此外，在设定预测条件完全未知、确保信息未泄漏的测试集中，通过计算过去 24 小时历史数据的统计特征与每个训练子集的聚类中心之间的欧氏距离，确定了最佳子模型。由实测数据构成的测试集预测结果表明，多属性聚类建模优于单属性建模，SFEDN 方法相比常规方法聚类多属性高维度的向量更具有优势。其中，多属性聚类建模的预测结果相比采用空调能耗的单属性聚类，RMSE降低12.6%，R2增大4.0%，MAPE下降26.3%。相比未聚类的静态预测，RMSE降低11.9%，R2增大3.8%， MAPE降低19.9%。
作者
Huiheng Liu1, Yanchen Liu1*, Huakun Huang2, Huijun Wu1, Yu Huang1
本文第一作者为广州大学土木与交通工程学院硕士生刘慧恒（2024年6月毕业）。通讯作者为广州大学土木与交通工程学院教师刘彦辰，共同作者包括广州大学计算机科学与网络工程学院黄华锟副教授，土木与交通工程学院吴会军研究员和黄宇副教授。作者团队广州大学建筑节能材料与技术（BEEM）课题组针对广东省夏热冬暖和湿热气候特征，围绕建筑节能材料传热理论与技术、建筑环境控制理论与技术、建筑能源系统节能理论与技术等三个研究方向开展理论研究、技术开发与成果转化应用。
Liu H, Liu Y, Huang H, et al. (2024). Energy consumption dynamic prediction for HVAC systems based on feature clustering deconstruction and model training adaptation. Building Simulation, 17: 1439-1460.
https://doi.org/10.1007/s12273-024-1152-3
相关阅读：
长按二维码或点击左下角“阅读原文”访问全文
基于特征聚类解构和模型训练自适应的空调系统能耗动态预测
期刊介绍
Building Simulation 2008年创刊，是世界上第一本有关建筑模拟领域最新研究成果的英文学术期刊，跨多种学科领域，涉及建筑技术、土木工程、建筑学、环境工程、能源及动力工程等，致力于为中外同行提供一个高水平的学术交流平台。被SCI、EI Compendex、Scopus、CSCD等数据库收录。2024年SCI影响因子6.1，在JCR两个学科领域均位于Q1区；位于中科院期刊分区，工程技术类1区。
