面向建筑节能改造的能耗改造效果测算方法与流程

本发明涉及建筑节能数据分析，尤其涉及一种面向建筑节能改造的能耗改造效果测算方法。

背景技术：

1、建筑供能系统（供暖 / 制冷）是建筑节能改造的核心对象。改造前对于不同改造方案中改造后的冷热源能耗进行精准预测，是量化节能量、筛选最优改造方案的必要前提。在现有各类建筑能耗评估技术中，与本发明创造最接近的是物理机理模拟技术和指标和经验公式法，其技术方案、原理及存在的核心问题如下：

2、（一）物理机理模拟技术

3、该技术是当前建筑能耗评估领域公认的行业基准方法，在新建建筑设计、绿色建筑认证和重大节能改造项目中占据主导地位。主流工具包括清华大学开发的dest等，其核心原理是基于热力学第一、第二定律、传热学傅里叶定律、流体力学等基础物理规律，构建包含建筑围护结构一维/三维传热、室内空气热湿交换、太阳辐射得热、暖通空调系统能量转换与输运、末端设备散热等全过程的完整微分方程组，通过逐时（通常为1小时或15分钟）时间步长积分求解建筑全年动态热过程，最终输出建筑逐时、逐日、逐月及全年的供暖/制冷能耗模拟结果。

4、该技术存在以下与本发明解决的问题直接相关的根本性缺陷：

5、1）无法适配我国 90% 以上存量既有建筑的改造评估需求：机理模拟技术的核心原理决定了其模型准确性完全依赖于输入物理参数的完整性和精度。要建立一个准确的能耗模型，必须提供完整的建筑竣工图纸（包括建筑、结构、暖通各专业）、围护结构各层材料的精确热工参数（传热系数、比热容等）、暖通系统所有设备的型号与详细性能参数、逐时室内人员/设备/照明负荷数据以及逐时气象数据。而我国绝大多数存量既有建筑（尤其是2000年以前建成的建筑）无完整的竣工图纸，也未进行过围护结构热工性能检测，根本无法完成有效建模。

6、2）效率极低、应用门槛极高：由于需要人工录入大量建筑与系统的物理细节，单栋普通公共建筑的建模周期长达3-7天，复杂建筑甚至需要数周；单次全年能耗模拟需数小时。且建模与模拟过程必须由具备深厚暖通专业知识和丰富软件操作经验的专业工程师完成，主流模拟软件的学习周期通常需要3-6个月，普通节能改造项目的一线技术人员无法独立使用，难以满足我国大规模既有建筑节能改造的批量评估需求。

7、3）既有建筑改造后预测误差大：对于既有建筑改造项目，即使能够完成建模，由于无法准确获取建筑实际老化状态、围护结构热工性能的实际衰减程度、建筑气密性以及用户实际用能习惯等参数，模拟结果与实际运行能耗的偏差通常在 15%-25% 之间，部分项目甚至超过 30%，无法为改造方案决策提供可靠依据。

8、（二）指标和经验公式技术

9、该技术的核心原理是通过收集已完成能耗审计或节能改造的建筑样本数据，运用统计学方法分析建筑单位面积能耗与基础特征参数之间的关联关系，进而建立分区域、分建筑类型、分供能系统的能耗基准数据库，并归纳总结出各类典型节能改造措施的平均节能率经验公式。

10、在实际工程应用中，评估人员仅需获取待评估建筑的基础特征信息（包括建筑类型、建筑面积、建成年代、所在城市、供能系统形式等）和年度总能耗账单数据，通过查询对应类别的能耗基准值或代入预设的经验公式，即可快速估算出建筑的当前能耗水平，同时对照行业通用的改造效果经验值，初步判断不同节能措施的预期节能潜力。

11、该方法基于群体统计平均规律设计，存在以下与本发明解决的问题直接相关的根本性缺陷：

12、1）特征之间的耦合关系不明确，无法反映实际能耗影响机制：指标和经验公式法将各个影响因素视为相互独立的变量，假设其对能耗的影响是简单的线性叠加关系，完全忽略了建筑能耗系统中各特征之间复杂的非线性耦合作用。例如，末端的形式对于能耗的影响，还与当地气候条件以及用户用能习惯等多个因素密切相关。由于无法刻画这种复杂的耦合关系，经验公式在面对不同特征组合的建筑时，预测精度会急剧下降。

13、2）评估精度低，无法支撑工程决策：指标法和经验公式法反映的是某一类建筑的平均能耗水平和平均改造效果，完全忽略了个体建筑在围护结构实际热工性能、用户用能习惯等方面的显著差异。对于同一类别的不同建筑，其实际能耗可能相差 2-3倍，改造效果也可能存在巨大差异。因此，该方法的评估结果误差通常在 30% 以上，部分特殊建筑甚至超过 50%，根本无法作为具体改造方案决策精确评估的依据。

14、3）需要海量样本才能发现可靠规律，且新场景规律无法快速建立：该方法的核心是从大量历史样本中提取统计规律，只有当样本量达到足够规模时，统计结果才能消除个体差异和随机误差的影响，反映出总体的真实趋势。对于任何一个新的建筑类型、供能系统形式或改造措施，都需要积累数百甚至数千个工程样本才能建立起相对可靠的经验公式。

技术实现思路

1、因此，本发明的目的在于提供一种面向建筑节能改造的能耗改造效果测算方法，解决现有物理机理模拟技术对完整输入数据依赖过高、无法适配存量既有建筑，以及指标经验公式法精度过低、无法支撑多方案量化比选的技术问题，通过融合气候标准化处理、按业态与系统类型分组建模、反事实学习与物理约束等，实现数据有限条件下改造后能耗的快速精准预测与多方案量化评估。

2、为了实现上述目的，本发明的一种面向建筑节能改造的能耗改造效果测算方法，包括：

3、s1、获取不同建筑业态类型的历史能耗样本，对所述历史能耗样本进行标准化处理，并计算标准化单位能耗；

4、s2、将标准化处理后的历史能耗样本按建筑业态类型划分为多个子集，在每个子集中，按供能系统类型再次进行分组，在每个分组中，以所述标准化单位能耗为监督目标，分别训练各供能系统类型的能耗预测模型，所述能耗预测模型通过自定义损失函数进行物理约束，使输出的能耗预测值在拟合真实数据的同时满足物理规律；训练后的各能耗预测模型与对应的供能系统类型和建筑业态标签进行关联形成建筑冷热源知识库；

5、s3、根据待评估建筑的建筑业态标签和当前供能系统类型，从所述建筑冷热源知识库中加载对应的能耗预测模型进行推理，得到当前供能系统类型下的预测单位能耗；

6、s4、再次加载所述建筑冷热源知识库中同业态类型下其他候选的供能系统类型对应的能耗预测模型进行推理，得到其他候选的供能系统类型的候选方案单位能耗；将所述候选方案单位能耗与所述预测单位能耗进行对比，计算并输出各候选方案的节能量、节能率。

7、进一步优选的，所述建筑业态类型用于标识建筑的功能用途类型，至少包括办公业态、学校业态、医院业态、场馆业态。所述历史能耗样本包括建筑冷热源历史能耗样本数据、气象数据；

8、对所述历史能耗样本进行标准化处理，并计算标准化单位能耗，包括：

9、根据所述气象数据提取典型气象年，根据典型气象年下的采暖度日数或制冷度日数确定标准季起止日期；

10、根据每个样本的实际供冷季或供暖季起止日期，计算该样本实际供冷季或供暖季起止日期相对于标准季起止日期的季节比例系数；

11、根据年份对应的气候修正系数对原始能耗进行年度气候归一；

12、将总能耗除以用能面积得到单位面积能耗，再除以所述气候修正系数和所述季节比例系数，得到标准化单位能耗；

13、所述标准化处理还包括对供暖温度和供暖时长进行标准化修正，以及对于非训练基准城市的待评估建筑，根据目标城市的典型气象年计算城市修正因子。

14、进一步优选的，所述供能系统类型至少包括空气源热泵系统、地源热泵系统、水源热泵系统、多联机系统、冷水机组系统、燃气锅炉系统及直燃机系统；所述建筑冷热源知识库按供暖模型库和制冷模型库分开存储。

15、进一步，在s2中，所述在每个分组中，以所述标准化单位能耗为监督目标，分别训练各供能系统类型的能耗预测模型，包括如下训练过程：

16、针对每一条真实样本生成反事实样本，将真实样本与反事实样本共同输入能耗预测模型；按供能系统类型对样本进行分组训练时，对于样本量达到预设阈值的系统类型采用xgboost回归模型或神经网络模型进行训练，对于样本量未达到所述预设阈值的系统类型采用k近邻回归或固定基准值回归进行建模。

17、进一步，所述反事实样本通过以下方式生成：保持建筑主体条件不变，从每一条真实训练样本出发，分别执行末端形式切换、建筑年限递进和/或保温状态切换，构造出仅改变单一物理特征的反事实样本，所述反事实样本与对应的真实样本共享相同的建筑主体条件和相同的建筑业态类型；所述反事实样本与真实样本共同构成训练集，通过自定义损失函数将物理先验约束嵌入模型参数优化过程，在拟合真实数据的同时，对反事实样本的输出满足预设的物理规律边界。

18、进一步，所述物理约束包括：

19、约束一，在其他条件相同的情况下，建筑年限递进后的反事实样本对应的能耗预测值不低于原真实样本的能耗预测值；

20、约束二，在其他条件相同的情况下，保温状态从“无保温”切换为“有保温”后的反事实样本对应的能耗预测值不高于原真实样本的能耗预测值；

21、约束三，不同末端形式之间的预测能耗比值符合预设的工程经验边界；

22、进一步，施加所述物理约束的具体方式为：

23、对于xgboost树模型，通过自定义目标函数和单调约束将所述物理约束嵌入训练过程；

24、对于xgboost树模型，通过构造孪生样本并引入先验损失项，使模型在最小化回归误差的同时避免违反物理约束；所述自定义损失函数和先验损失项在反向传播过程中与标准化单位能耗的回归损失共同参与梯度计算，驱动模型参数同时朝着拟合真实数据和满足物理规律的方向优化。

25、进一步，还包括s5、对用户提交的实际月度能耗数据进行冷热拆分，得到供冷能耗和供暖能耗，并对月度能耗曲线执行异常识别，将经异常识别筛选后的正常样本归档入库时附带其建筑业态标签，定期将新增正常样本与原有训练样本合并更新各能耗预测模型。

26、进一步，所述对用户提交的实际月度能耗数据进行冷热拆分包括：将用户提交的月度综合能耗数据分解为基础能耗、供冷能耗和供暖能耗；具体拆分方式为：结合月度总能耗曲线、典型气象年下的月度采暖度日数和制冷度日数、供冷供暖季区间以及建筑运行信息，针对学校业态，根据寒暑假运行特征对基础能耗进行系数修正；拆分后得到全年总制冷量与总供暖量及对应的单位面积能耗指标，并按照供暖表和制冷表分别存储，拆分结果及其对应的建筑业态标签经异常识别筛选后用于后续滚动更新训练。

27、进一步，所述对月度能耗曲线执行异常识别，包括以下识别过程：利用真实月度能耗数据与合成异常数据训练分类模型；从月度能耗曲线中提取峰谷特征、波动特征、斜率特征、连续相同值特征、双峰特征以及与标准趋势的相似度特征，形成异常识别特征集；同时调用所述能耗预测模型计算该建筑在当前条件下的供冷能耗和供暖能耗预测值，与能耗拆分结果进行对比，识别异常能耗输入；利用分类模型输出异常概率和异常标签，将异常识别结果与能耗拆分结果一并保存，在后续滚动更新中优先筛除被标记为异常的样本，仅将正常样本并入训练集。

28、本技术公开的面向建筑节能改造的能耗改造效果测算方法，相比于现有技术，至少具有以下优点：

29、本发明针对每一栋待评估建筑的具体特征进行个性化建模与预测，能够充分考虑建筑的个体差异。同时，通过能耗数据标准化修正、物理约束和反事实学习等，大幅提高了预测精度。实际工程验证表明，本发明的预测误差可控制在 10% 以内，能够为具体改造方案决策提供可靠依据。

30、本发明通过反事实学习技术，针对每一条真实样本生成3 类反事实孪生样本（末端形式切换、建筑年限递进、围护结构保温状态切换），有效扩充了训练样本量。同时，通过自定义目标函数向模型施加物理先验约束，使模型能够基于有限的真实样本学习到普遍的建筑热物理规律，从而在样本量较少的情况下也能实现高精度预测。此外，本发明建立了数据滚动更新机制，随着新样本的不断积累，模型能够自动进行增量训练，快速适应新的建筑类型、供能系统形式和改造措施。

31、本发明通过构建多系统能耗知识库，按供能系统类型对样本进行分组，为每个供能系统匹配对应的预测模型。评估时，系统可同时输出待评估建筑在当前供能系统及多种目标改造供能系统下的标准工况能耗预测结果，自动计算各改造方案的节能量、节能率，并对多套改造方案进行量化排序，帮助业主筛选出最优方案。该方法不仅能够预测同类型系统内部参数调整的改造效果，还能够准确预测不同供能系统之间切换改造的能耗变化。

32、本发明建立了完整的数据采集-清洗-训练-预测-反馈闭环自进化机制。通过月度能耗冷热拆分技术和异常能耗识别，将用户提交的真实能耗数据自动清洗后沉淀到数据库。通过滚动更新训练机制，定期将新增的正常样本并入训练集重新训练模型，并实现不中断服务的热更新。随着系统运行时间的增加和样本量的积累，模型的改造后能耗预测精度会持续提升，实现面向真实业务场景的长期自进化。