基于机器学习的办公建筑运行能耗快速评估工具开发与应用

本文推荐：该研究针对办公建筑能耗评估中精度、效率与易用性的平衡难题，创新性地融合能源模拟(EnergyPlus)、拉丁超立方采样(LHS)和机器学习(ML)算法，开发出基于XGBoost的快速评估工具。通过建筑特性、人员行为与气象条件三要素的系统建模，实现误差率<10%的精准预测，为建筑节能决策提供高效支持。

　　

Highlight

本研究亮点包括：(i) 整合建筑特性、人员行为与气象条件构建综合评估模型；(ii) 采用物理模拟与LHS采样生成多场景数据集；(iii) 开发用户友好的办公建筑能耗快速评估工具。

影响因素

补充材料表A.1汇总了近期建筑能耗影响因素研究，重点关注围护结构保温性能、窗墙比等建筑特性，以及温度、湿度等气象参数。部分研究还探讨了设备使用模式等人为因素。

框架

如图1所示，本研究框架包含四大模块：(1) 基于规范的基准能耗模型构建；(2) LHS参数采样与多场景生成；(3) EnergyPlus-Python联合仿真；(4) ML模型优选与工具开发。XGBoost算法凭借优异表现被选为核心算法。

应用

通过三个实际案例验证（案例1采用能源管理系统数据，案例2-3采用审计数据），工具预测值与实际值月误差均<10%，图5-6展示了良好的拟合效果。所有输入参数均由建筑业主提供。

讨论

基于第3.2节的基准模型，第5.1节敏感性分析与5.2节不确定性分析表明：围护结构参数对能耗影响最大（贡献度33%），气象参数可导致20%的波动，证实工具具有优秀的鲁棒性和场景适应性。

Conclusion

本研究主要成果：

• 建立建筑特性-人员行为-气象条件三维度分析体系

• 创新采用LHS采样与XGBoost算法组合

• 开发出误差<10%的轻量化评估工具

该工具将助力办公建筑能源管理与"双碳"目标实现。