摘要
当前面临的建模数据短缺问题，使得难以确保新建建筑及信息匮乏的既有建筑的数据驱动型建筑能耗预测（BEP）模型的性能。知识迁移学习（KTL）与数据增量学习（DIL）均为解决此类建筑数据短缺问题的有效途径。然而，针对具有连续数据积累的新建筑场景，BEP模型的性能尚待深入探究。DIL能够从累积的数据中学习动态特征，以适应新建筑时间序列数据的发展趋势，并扩展BEP模型的知识库。先前研究指出，在数据动态变化的场景下，使用固定数据训练的KTL模型的性能存在进一步提升的空间。鉴于此，本研究提出了一种改进的迁移学习跨建筑能耗预测策略，该策略采用粗糙数据增量（CDI）方式持续更新训练迁移学习预测模型。具体而言，混合KTL-DIL策略（LSTM-DANN-CDI）结合了领域对抗性神经网络（DANN）的KTL与长短期记忆神经网络（LSTM）作为基准BEP模型。为系统验证KTL及改进后的KTL-DIL的有效性与适用性，本研究进行了全面的性能评估。在评估过程中，我们考虑了模型增量时间间隔、可用目标及源建筑数据量等多重因素，并采用来自六种类型的36栋不同建筑的真实数据进行测试，以评估KTL与KTL-DIL在数据驱动BEP任务中的表现。结果显示，对于数据有限的新建筑，相比LSTM模型，KTL策略（LSTM-DANN-CDI）与所提出的KTL-DIL策略（LSTM-DANN-CDI）均能显著提升BEP性能。尤为值得一提的是，与KTL策略相比，改进后的KTL-DIL策略（LSTM-DANN-CDI）展现出更为优异的预测性能，平均性能提升率约达60%。
关键词：建筑能耗预测；跨建筑；数据增量学习；领域对抗神经网络；知识迁移学习
节能减排是社会可持续发展的重要议题。为实现碳中和及节能目标，采用低成本、高精度且易于实施的短期建筑能耗测量方法，预测建筑能源系统的日常运行和功耗，并据此提前进行调整，以匹配智能电网的电力供应，实现优化的多能源分配，这对于推动建筑系统的节能和低碳排放具有重要意义。
针对新建建筑在实际场景中面临的数据局限问题，尽管已有研究采用领域对抗神经网络（DANN）与迁移学习（TL）策略，从数据丰富的先前任务中迁移知识应用于数据贫乏的场景，从而提高了目标建筑的能耗预测性能，但这些研究较少完整地考虑在实际新建建筑场景中，建筑能耗数据随时间推移不断增加的情况（即建筑能耗数据从信息局限甚至没有数据逐步变为信息丰富、数据较为充足的所有时序场景）。
为了适应建筑能耗数据随时间变化的新建筑场景，本研究采用了一种简单的粗糙增量学习（CDI）策略，旨在验证数据增量场景下建筑能耗预测性能的改进效果。在此基础上，进一步提出了一种混合改进策略，将增量学习CDI策略与已有的迁移学习DANN策略相结合。
（1）迁移学习DANN改进预测模型的提出
(2) 模型预测性能对比框架
(3) 模型预测性能提升的验证
与无迁移无增量的LSTM建筑能耗预测基准模型相比，针对本研究所关注的新建筑能耗数据随时间序列增加的场景，所采用的数据增量KTL策略（LSTM-DANN-CDI）以及所提出的KTL-DIL改进迁移学习策略（LSTM-DANN-CDI）均能够显著提升建筑能耗的预测性能。具体而言，与KTL策略相比，改进后的KTL-DIL策略（LSTM-DANN-CDI）展现出更为优异的预测性能，其平均性能改进率约为60%。
作者
Guannan Li1,2,3,5,7, Yubei Wu1, Chengchu Yan4*, Xi Fang6, Tao Li1,3,7, Jiajia Gao1,7, Chengliang Xu1,7, Zixi Wang1
1 School of Urban Construction, Wuhan University of Science and Technology, Wuhan 430065, China
2 Anhui Province Key Laboratory of Intelligent Building and Building Energy-saving, Anhui Jianzhu University, Hefei 230601, China
3 State Key Laboratory of Green Building in Western China, Xi'an University of Architecture and Technology, Xi'an 710055, China
4 College of Urban Construction, Nanjing Tech University, No. 200, North Zhongshan Road, Nanjing 210009, China
5 Key Laboratory of Low-grade Energy Utilization Technologies and Systems (Chongqing University), Ministry of Education of China, Chongqing University, Chongqing 400044, China
6 College of Civil Engineering, Hunan University, Changsha 410082, China
7 Hubei Provincial Engineering Research Center of Urban Regeneration, Wuhan University of Science and Technology, Wuhan 430065, China
* Corresponding author: Prof. Chengchu Yan (e-mail: chengchu.yan@njtech.edu.cn)
论文的通讯作者为南京工业大学城市建设学院教授、院长颜承初，第一作者是武汉科技大学城市建设学院副教授李冠男，共同作者包括武汉科技大学城市建设学院硕士生吴雨蓓、湖南大学土木工程学院博士生方曦、武汉科技大学城市建设学院讲师李涛、副教授高佳佳、讲师徐成良与硕士生王子熙。
颜教授课题组主要从事建筑节能与零能耗建筑、建筑能效评估与诊断、可再生能源集成、传感器校准、建筑空调系统优化与智能控制等方面的研究。
Li G, Wu Y, Yan C, et al. (2024). An improved transfer learning strategy for short-term cross-building energy prediction using data incremental. Building Simulation, 17: 165-183.
https://doi.org/10.1007/s12273-023-1053-x
相关阅读：
长按二维码或点击左下角“阅读原文”访问全文
基于数据增量的短期跨建筑能耗预测的改进迁移学习策略
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。
