基于机器学习的模块化建筑快速热性能建模方法，该方法结合了建筑集成光伏（BIPV）技术，并采用了一种新颖的分解策略以实现实时预测功能

《Energy and Buildings》：A machine learning based rapid thermal performance modeling for modular buildings with BIPV: A novel decomposition strategy with real-time prediction capabilities

提出基于机器学习的BIPV模块化建筑快速能源预测方法，通过模块分解、特征工程优化及XGBoost模型实现高效预测，R2＞0.93，误差＜1.5°C，支持实时设计迭代。

　　

郑一倩|杨彪|侯淼淼|张毅|周月宽|郑星|沈鹏远

清华大学深圳国际研究生院未来人类栖息地研究所，中国广东省深圳市

摘要

全球对碳中和的推动加剧了对集成光伏发电（BIPV）的模块化建筑进行快速准确能源预测方法的需求。传统的基于物理的仿真方法存在计算负担过重的问题。本研究提出了一种针对带有光伏发电系统的模块化建筑的新型机器学习快速能源预测方法。一个全面的特征工程框架通过六表面属性编码、几何参数和太阳辐射计算来捕捉模块化建筑的独特热性能和几何特性。该方法采用模块化建筑分解策略，在保持系统级准确性的同时，能够对单个模块进行分析。基于XGBoost的预测模型在四个代表性气候区表现出色，其R2值超过0.93，涵盖了供暖负荷、制冷负荷和总能耗。使用实际BIPV集成模块化建筑的实验验证表明，预测精度在行业可接受范围内，平均绝对误差低于1.5°C。计算效率评估显示，该模型的预测速度比传统仿真方法快2000倍以上，实现了实时设计迭代。与Grasshopper参数化设计平台的成功集成使得在概念设计阶段能够立即获得能源反馈。这一进展消除了能源性能优化的计算障碍，并通过提供实用的能源决策工具，支持了可持续模块化建筑实践的更广泛采用。

引言

日益严重的全球气候危机加剧了对实现碳中和的迫切需求。建筑行业已成为实现这些目标的关键领域[1]。目前，建筑占全球能源消耗的约40%和碳排放的27%，且这一比例每年增长1%[2]。这种巨大的环境足迹促进了创新建筑技术的发展和采用。这些技术包括主动和被动措施，可以在全球气候变化的挑战下同时减少能源消耗并整合可再生能源发电[1]、[3]、[4]。

模块化建筑为可持续建筑提供了前所未有的机会。它们的特点是标准化生产、快速组装和高结构一致性[5]、[6]。这些预制系统具有显著优势，包括提高的质量控制、减少的建筑浪费和加速的项目交付[7]、[8]。当与光伏发电（BIPV）集成时[9]，模块化建筑系统可以实现协同效益，在工厂生产阶段同时优化能源生产和消耗[10]。模块化组件的标准化特性便于系统化地集成BIPV，使得可再生能源技术能够在多个建筑项目中大规模应用。

然而，优化BIPV集成模块化建筑存在重大的计算挑战[11]。虽然传统的基于物理的能源仿真方法准确，但需要大量的计算资源，这使得它们不适用于大规模设计优化。使用EnergyPlus等工具进行单栋建筑能源仿真通常需要高昂的计算成本。当需要评估数千种潜在的设计配置时，这会导致迭代设计评估极其耗时，除非采用轻量级的仿真方法[13]。在模块化建筑中，这一计算瓶颈尤为突出，因为快速的设计迭代和优化对于保持有竞争力的项目时间和成本至关重要。传统仿真方法的局限性也导致了模块化建筑能源预测研究领域的空白。此外，现有的机器学习方法虽然在计算上高效，但未能充分解决模块化建筑系统的独特特性。大多数数据驱动的模型是在传统建筑数据集上训练的，无法利用模块化建筑中固有的结构一致性，而模块化建筑的能源行为可以从单个模块的性能中推断出来。因此，现有模型无法充分捕捉BIPV特有的热效应以及光伏系统与建筑围护结构性能之间的复杂相互作用。

本研究通过开发一种专门针对BIPV集成模块化建筑的机器学习快速能源预测方法来解决这些关键问题。主要研究目标包括：开发一种利用模块化建筑重复特性的分解策略；创建一个全面的特征工程框架，以捕捉BIPV的热效应和模块化建筑的几何特性；构建一个高精度的XGBoost预测模型，以实现实时性能评估。

本研究的主要贡献包括三个重要进展。首先，我们提出了一种新的模块化建筑分解策略，能够在保持系统级精度的同时，通过对单个模块的分析进行准确的能源预测。其次，我们开发了一种创新的特征工程方法，系统地捕捉BIPV集成模块化建筑特有的热性能和几何特性。第三，我们展示了将机器学习预测能力集成到参数化设计工作流中的实际应用，实现了实时能源反馈，以优化设计和指导制造。

文献综述

文献综述

模块化建筑具有独特的结构和热性能特征，这使它们与传统建筑方法有根本区别，为能源建模应用创造了独特的机会和挑战[14]、[15]。标准化的生产过程和高结构一致性使得可以通过对单个模块的分析进行系统化的能源性能预测[7]、[8]、[16]、[17]。每个模块单元都具有相同的热性能

方法论

为了解决已识别的研究空白，我们开发了一个全面的基于机器学习的预测框架，包括四个关键组成部分：模块化建筑分解策略、BIPV集成的特征工程、数据驱动的模型开发和系统化的数据集生成。每个组成部分都旨在克服现有方法中的特定局限性，同时保持计算效率和预测准确性。

C-Smart建筑规范

所提出的基于机器学习的能源预测方法的实验验证以位于深圳-香港科技创新合作区河套区的C-Smart建筑为主要案例研究。这座创新的模块化建筑是一个智能建筑现场指挥中心，代表了BIPV集成模块化建筑技术的先进范例。C-Smart建筑的战略位置为114.0716°E

带有BIPV的建筑热性能验证

光伏发电的集成引入了热相互作用，这些相互作用显著影响了光伏系统的性能和建筑的热负荷。在低辐照度期间观察到的负温度差异是由于光伏模块与晴朗天空环境之间的红外辐射交换造成的。在晴朗的天空条件下，光伏阵列向寒冷的高层大气发射红外辐射，导致模块温度降低

结论

本研究提出了一种专门针对BIPV集成模块化建筑的全面基于机器学习的快速能源预测方法，解决了传统基于物理的仿真方法的关键计算局限性，同时利用了模块化建筑系统的独特结构特性。本研究的一些主要发现如下：

•

新的模块化建筑分解方法实现了±10%以内的预测精度

CRediT作者贡献声明

郑一倩：撰写——原始草稿、可视化、验证、软件、方法论、研究。杨彪：验证、项目管理、正式分析、数据管理。侯淼淼：监督、资源管理、方法论、研究、资金获取。张毅：撰写——原始草稿、可视化、验证、软件、方法论、研究。周月宽：撰写——审阅与编辑、可视化、资源管理、项目管理。郑星：项目管理，

利益冲突声明

作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文所述的工作。

致谢

本研究部分得到了深圳市基础研究计划 JCYJ20250604180231041的支持。