2024年《Buildings》研究：机器学习结合虚拟储能使南京某办公楼空调节能5.25%、降本24.94%
前沿研究丨舒适不减、成本直降，机器学习解锁建筑“虚拟储能”潜力
2024年《Buildings》期刊刊载的研究针对南京某办公楼，提出并验证了机器学习结合建筑虚拟储能的空调负荷成本最优控制方法，可在保障室内热舒适前提下较原始工况降低空调能耗5.25%、运行成本24.94%。
原创 智慧建筑未来 2025-06-04 11:25 北京
一项发表在《Buildings》(2024) 期刊上的研究给出了创新性答案。研究者们聚焦中国南京一栋办公楼，提出并验证了一种基于机器学习（ML）的空调负荷成本最优控制方法。
在夏季用电高峰，空调负荷常占建筑总能耗的40%以上。在追求建筑低碳运营与舒适环境的双重目标下，空调系统作为能耗“大户”，其调控策略至关重要。然而，传统方法面临严峻挑战：复杂的建筑热工特性、多变的环境参数、不确定的人员行为，使得精准预测负荷并制定经济高效的调控策略异常困难。如何突破这些瓶颈，在保障室内舒适度的同时，降低空调运行成本？
近期，一项发表在《Buildings》(2024) 期刊上的研究给出了创新性答案。研究者们聚焦中国南京一栋办公楼，提出并验证了一种基于机器学习（ML）的空调负荷成本最优控制方法。该方法巧妙利用了建筑围护结构和室内环境的热惯性（即“虚拟储能/VES”特性）——热惯性=天然电池，结合先进的 CatBoost 算法，实现了空调系统运行的智能优化。结果显示：在保持室内温度舒适的前提下，空调能耗降低 5.25%，运行成本大幅削减 24.94%！这项研究是如何实现这一目标的？
标题：基于机器学习的建筑空调负荷成本优化控制——以南京某办公楼为例
The Cost-Optimal Control of Building Air Conditioner Loads Based on Machine Learning: A Case Study of an Office Building in Nanjing
作者：Zhenwei Guo 1,2, Xinyu Wang 2,*, Yao Wang 3,4, Fenglei Zhu 4, Haizhu Zhou 5, Miao Zhang5 and Yuxiang Wang 2
单位：1 建筑安全与建筑环境国家重点实验室；2中国城市科学研究会；3清华大学建筑学院；4北京构力科技有限公司；5中国建筑科学研究院
*通信作者：wangxinyu356533529@126.com
关键词：建筑空调负荷；机器学习；负荷控制；能源成本；室内温度
1. 研究背景与挑战
建筑能耗痛点：建筑运行电力需求激增且波动显著，高峰用电给电网带来巨大压力。需求响应（DR）是重要的需求侧管理手段，但传统物理储能（如化学电池）存在成本高、维护难等问题。
虚拟储能（VES）机遇：建筑围护结构和室内环境具有热惯性，与空调系统结合可形成“虚拟储能”系统。通过合理调控空调启停或设定温度，可在不影响即时舒适度的前提下，实现负荷的“削峰填谷”，释放宝贵的DR资源价值。
调控核心难题：空调系统动态特性复杂、响应连续且缓慢，易受环境温度、建筑参数、用户行为等不确定因素影响。传统基于仿真或机理的预测与调控方法难以精确捕捉这些高度非线性的关系，限制了VES调度策略的有效制定。
2. 方法论框架
研究团队构建了一套完整的“预测-决策”闭环框架（图1），其核心创新点在于：
数据驱动与特征工程：利用建筑能源监测系统，收集实时的多源异构数据。引入LASSO回归模型进行特征选择，大幅提升模型效率与可解释性。
高性能预测模型：采用CatBoost算法构建预测模型，利用Optuna框架进行自动化高效寻优。CatBoost擅长处理类别特征和数值特征，具有多重优势。
成本最优决策机制：在维持室内温度于舒适范围的约束下，最小化空调运行总成本。成本模型为需求响应激励收益与总电费的差值，决策过程见图2。
图1：机器学习智能调控原理图(源自论文)
图2：设定温度决策框架图(源自论文)
3. 实验结果
模型预测精度优异：空调功率(P) 预测模型： 优化后 CV-RMSE (变异系数均方根误差，关键评估指标) 低至 6.4%，R² 高达 0.98。相较于优化前 (CV-RMSE=22.5%, R²=0.84)，精度提升巨大。室内温度(T_in) 预测模型： 优化后 CV-RMSE 仅为 2.2%，R² 达 0.94。精度同样远超优化前 (CV-RMSE=2.6%, R²=0.90)。CV-RMSE 值远低于ASHRAE对小时级数据30%的基准要求，证明了模型的高可靠性。
负荷调控效益突出：应用提出的成本最优调控策略后，与原始运行工况相比：空调负荷降低：5.25%。运行成本节约：24.94%。
策略成功利用建筑VES特性，在电价高峰或DR事件期间，通过智能调整设定温度（如适度提前预冷或允许温度小幅浮动），实现了负荷的经济性平移或削减。
4. 创新价值
CatBoost在建筑空调负荷预测的首创应用：成功将CatBoost算法应用于考虑建筑VES的空调负荷与室内温度高精度预测，克服了传统线性模型处理复杂非线性的局限。
工程实用导向的数据与优化：基于真实建筑运行数据建模，而非模拟预设参数，大幅提升模型在实际场景的泛化能力。
LASSO + Optuna黄金组合：通过严谨的特征选择(LASSO)和高效的超参数优化(Optuna)，显著提升了模型性能与计算效率，解决了ML模型在工程应用中调参难、特征冗余的问题。
VES与DR的智能融合：构建了以成本最小化为核心目标、舒适度为硬约束的决策框架，将建筑热惯性（VES）转化为可调度的DR资源，实现经济效益与舒适的平衡。
显著的经济与环境效益：5.25%的能耗节约和近25%的成本降低，为建筑运营商提供了极具吸引力的节能降本方案，同时有助于降低建筑运行碳排放。
5. 应用前景
研究证明，利用机器学习深度挖掘建筑自身“虚拟储能”潜力，是实现空调系统智能、经济、舒适运行的关键策略之一。未来，随着智能传感与控制技术的普及，此类数据驱动的高效调控策略将在构建更绿色、更韧性的建筑能源生态中扮演核心角色。
请前往前往MDPI官网阅读论文原文：
Guo, Z.; Wang, X.; Wang, Y.; Zhu, F.; Zhou, H.; Zhang, M.; Wang, Y. The Cost-Optimal Control of Building Air Conditioner Loads Based on Machine Learning: A Case Study of an Office Building in Nanjing. Buildings 2024, *14*, 3040. https://doi.org/10.3390/buildings14103040
来源：智慧建筑未来 · mp.weixin.qq.com