城市建筑物能耗的机器学习预测研究综述

城市建筑物能耗的机器学习预测研究综述城市建筑能耗占全社会终端能耗总量的30%以上，在碳达峰、碳中和目标导向下，精准预测建筑能耗动态变化是优化用能调度、挖掘节能潜力、推动建筑领域低碳转型的核心技术支撑。传统基于物理建模的能耗预测方法依赖建筑结构参数、设备额定参数、气象逐时数据等多维度精准输入，建模成本高、泛化能力弱，难以适配城市级海量异质建筑的动态用能特征。机器学习技术凭借对非线性关系的强拟合能力、对多源异构数据的高效处理优势，已成为建筑能耗预测领域的主流研究方向，相关研究成果在近五年呈现爆发式增长，覆盖住宅、商业办公、公共建筑等多元场景，形成了从数据预处理、模型构建到落地应用的完整研究链条。一、建筑能耗预测数据体系与预处理技术研究进展建筑能耗预测的准确性高度依赖输入数据的质量与维度覆盖度，现有研究的数据来源可分为四大类：静态属性数据、动态运行数据、环境气象数据与用户行为数据。静态属性数据包括建筑建成年代、围护结构热工参数、建筑面积、楼层数、设备装机容量等时间维度上变化极小的特征，这类数据通常来源于建筑竣工图纸、能源审计报告，是区分不同建筑用能基线的核心特征；动态运行数据包括逐时/逐分的电、气、热、冷等能耗计量数据，空调、照明、电梯等重点用能设备的运行状态数据，这类数据主要来源于智能电表、楼宇自控系统（BAS）、能源管理系统（EMS），时间分辨率从1分钟到24小时不等，是捕捉能耗动态变化规律的核心载体；环境气象数据包括室外温度、湿度、太阳辐射强度、风速、风向、降水量等，其中室外干球温度与太阳辐射对建筑冷热负荷的影响权重可达60%以上，多数研究通过对接当地气象站公开数据或安装室外气象传感器获取此类特征；用户行为数据包括人员在室率、开窗行为、空调温度设定值、照明开关习惯等，这类数据具有高度随机性，是中小尺度建筑（尤其是住宅建筑）能耗预测误差的主要来源，当前研究主要通过红外传感器、WiFi探针、用户问卷调查等方式获取。数据预处理是降低模型噪声、提升预测精度的关键环节，现有研究形成了标准化的处理流程：第一步是异常值识别与修复，常用方法包括基于3σ原则的统计判别法、基于孤立森林的异常检测算法、基于K近邻的缺失值填充法，针对能耗数据中常见的断流、跳变、零值等问题，有研究提出结合建筑用能物理约束的修复方法，例如办公建筑夜间能耗超过阈值时判定为异常，参考同类型同时段正常能耗水平进行插值修复，较传统统计方法修复准确率提升20%以上。第二步是特征工程，核心是通过特征构造与特征选择降低数据维度、突出有效信息：特征构造方面，时间特征衍生是最常用的方法，将时间戳拆解为小时、星期几、月份、是否为工作日等类别特征，同时构造温度滞后项、累计太阳辐射量、温湿度指数（THI）等复合物理特征；特征选择方面，过滤法（如皮尔逊相关系数、互信息法）、包裹法（如递归特征消除）、嵌入法（如基于树模型的特征重要性排序）三类方法均有广泛应用，其中互信息法因能够捕捉非线性相关关系，在多源异构特征选择场景中表现更优，较传统皮尔逊系数法可多筛选出15%左右的有效低相关性特征。第三步是数据归一化，常用方法包括最大最小归一化、Z-score标准化，针对不同模型的输入要求选择适配方法，例如支持向量机、神经网络等对输入尺度敏感的模型必须进行归一化处理，而树类模型则无需此步骤。二、建筑能耗预测机器学习模型的研究脉络与性能对比建筑能耗预测的机器学习模型发展可分为三个阶段：第一阶段是2015年之前的传统机器学习模型主导期，代表模型包括支持向量回归（SVR）、随机森林（RF）、梯度提升树（GBDT）、极端梯度提升（XGBoost）等。这类模型对数据量要求较低，在单栋建筑、小样本数据集上表现稳定，其中XGBoost凭借高效的并行计算能力与正则化机制，在多个公开数据集竞赛中精度超过传统物理模型30%以上，至今仍是工程落地的首选模型之一。有研究针对12栋公共建筑的逐时能耗数据集进行对比测试，结果显示XGBoost的平均绝对百分比误差（MAPE）稳定在8%-12%区间，优于SVR（11%-16%）与随机森林（10%-14%）。第二阶段是2015-2020年的深度学习模型爆发期，循环神经网络（RNN）、长短期记忆网络（LSTM）、门控循环单元（GRU）等时序预测模型被广泛引入建筑能耗预测领域，解决了传统模型难以捕捉长时序依赖关系的问题。针对能耗数据的强时序性特征，LSTM通过门控机制有效保留历史时间步的能耗特征信息，在提前24小时的多步预测场景中，较XGBoost精度提升15%-25%，尤其在人员行为波动大的住宅建筑场景中优势明显。为进一步提升模型对多维度特征的融合能力，卷积神经网络（CNN）与LSTM的混合模型成为研究热点，CNN负责提取建筑静态特征、气象特征的局部关联模式，LSTM负责提取时序动态特征，两者结合的CNN-LSTM模型在多个公开数据集上的MAPE较单一LSTM再降低5%-10%。此外，Transformer模型凭借自注意力机制能够捕捉更长距离的时序依赖关系，2019年以来逐步应用于建筑能耗预测，在提前7天的长期预测场景中，Transformer的预测精度较LSTM提升18%以上，尤其适合城市级多栋建筑的批量预测场景。第三阶段是2020年至今的物理信息融合与小样本学习突破期，针对实际项目中数据缺失、标注不足的痛点，融合物理先验知识的机器学习模型成为研究重点。这类模型将建筑热工物理方程作为正则项嵌入损失函数，或者用物理模型的模拟结果作为预训练数据，解决数据量不足时的模型过拟合问题。有研究提出的物理信息神经网络（PINN），在仅拥有30天实测能耗数据的新建建筑场景中，预测精度较普通LSTM提升30%以上，MAPE可控制在15%以内，有效解决了新建建筑无历史数据的冷启动问题。此外，迁移学习、元学习等小样本学习方法也被广泛应用，将在源域（数据充足的同类型建筑）上预训练好的模型参数迁移到目标域（数据不足的目标建筑），仅需少量目标域数据微调即可达到较高预测精度，针对100栋数据不足1个月的住宅建筑的测试结果显示，迁移学习模型的平均预测精度较传统训练方式提升22%，为城市级海量建筑的批量建模提供了可行路径。不同模型的适用场景存在显著差异：在数据量充足（1年以上逐时数据）、预测时长小于24小时的单栋建筑场景中，LSTM、GRU等深度学习模型精度最优；在数据量不足（小于3个月）、模型解释性要求高的场景中，XGBoost、LightGBM等树类模型更具优势；在城市级多栋建筑批量预测、预测时长超过7天的场景中，Transformer与迁移学习结合的方案综合表现最优。当前研究的一个重要方向是模型的轻量化与可解释性提升，深度学习模型的“黑箱”特性是其在工程落地中面临的主要障碍，SHAP值、LIME等可解释性分析方法被逐步引入，能够量化不同输入特征对预测结果的贡献度，例如可识别出某栋建筑的能耗主要受室外温度与人员在室率影响，两者贡献度分别为42%与28%，为后续节能改造提供方向指引。三、建筑能耗预测的典型应用场景与落地挑战当前机器学习建筑能耗预测技术已在多个场景实现落地应用，最主要的应用方向包括三类：第一类是建筑能源系统优化调度，基于提前1-24小时的能耗预测结果，优化空调、储能、光伏系统的运行策略，实现需求侧响应与峰谷套利。以上海某超高层办公建筑为例，基于LSTM的逐时冷负荷预测精度达到93%，以此优化冷水机组的运行组合策略，全年冷站能效比（COP）提升0.8，年节电约120万度，节能率达到15%。第二类是建筑异常用能检测，基于预测能耗与实际能耗的偏差识别异常用能行为，当偏差超过设定阈值时触发告警，可及时发现设备故障、无人时段设备空转等问题，某园区部署的异常检测系统在上线后半年内识别出130余起异常用能事件，累计减少能源浪费约30万度。第三类是城市层面的能源规划与电网调度，通过对城市区域内所有建筑的能耗总量与峰值进行预测，优化电网容量配置与分布式能源布局，某城市基于城市建筑能耗预测模型，将区域电网峰谷差降低18%，分布式光伏消纳率提升22%。尽管相关研究已取得显著进展，但大规模落地应用仍面临三大核心挑战：首先是数据孤岛问题，建筑能耗数据分散在业主、物业、能源服务商、电网公司等多个主体，数据开放共享机制缺失，多数建筑可获取的数据维度不足，用户行为等高价值特征难以获取，导致实际项目中的模型精度普遍低于实验室测试结果10%-15%。其次是建筑异质性问题，不同城市、不同类型、不同年代的建筑用能特征差异极大，通用模型的泛化能力不足，针对A建筑训练的高精度模型直接迁移到B建筑时精度可能下降30%以上，现有迁移学习方法的适配成本仍然较高，难以支撑城市级十万级以上建筑的批量建模。最后是动态变化适应性问题，建筑在使用过程中会经历设备更新、围护结构改造、用户用能习惯变化等动态调整，模型性能会随时间逐步衰减，现有研究多基于静态数据集测试，缺乏对模型长期性能衰减的有效应对机制，实际项目中模型每3-6个月就需要重新训练，运维成本较高。未来研究将重点围绕三个方向突破：一是多模态数据融合技术，进一步融合卫星遥感影像、建筑三维模型、社交网络数据等新型数据源，弥补传统数据维度不足的问题；二是