日益严重的城市热岛效应（UHIs）和电力依赖性的增加正在导致冷却和供暖负荷的空前增长，加剧了电网不稳定性和关键时期的停电风险[1]。这些挑战在校园和商业区尤为突出，因为密集排列的建筑产生了集中的能源需求。在这种情况下，日预测电力需求成为城市能源管理策略的关键工具，例如可再生能源发电调度、需求响应（DR）实施和能源存储系统（ESS）协调[2]。
城市建筑能源模型（UBEM）提供了一个在城市范围内进行能源需求预测的框架。它将单建筑模拟方法扩展到整个城市的分析，从而支持能源规划和运营决策[3]。UBEM方法通常分为基于物理的UBEM和基于数据的UBEM[4]。基于物理的UBEM依赖详细的城市数据集和气候模型作为输入，并使用基于热力学的模拟工具来分析大规模建筑的能源性能。代表性工具包括CitySim[5]、CityBES[6]、UMI[7]、UBEM.io[8]和UrbanOpt[9]。然而，UBEM工具需要详细的建筑几何形状、围护结构属性和系统配置信息来生成模拟模板，且随着建筑数量的增加，其计算复杂性迅速增加[10]。尽管最近提出了基于原型模板分配和使用先进深度学习架构的自动建筑属性提取框架等方法，但在准确性和计算效率方面仍存在局限性[11]。
相比之下，基于数据的UBEM利用历史能源消耗记录、简化的建筑属性和气象信息来预测城市规模的建筑能源需求。通过建筑管理系统（BMS）和智能电表收集的建筑能源数据集的日益丰富，使得基于数据的模型能够进行大规模的城市能源分析。早期研究使用了自回归积分滑动平均（ARIMA）[12]等统计模型，随后是支持向量机[13]和随机森林[14]等机器学习技术。最近，基于深度学习的时间序列预测模型，包括卷积神经网络（CNN）、循环神经网络（RNN）和图神经网络（GNN），被用来捕捉高分辨率的运行模式。一旦训练完成，这些模型可以在亚秒级时间内预测大型建筑组合的负荷，非常适合日预测操作的时间限制。
Dai等人（2025年）开发了一种时间融合变换器（TFT）模型，用于预测供暖和制冷能源需求，在涵盖美国不同气候区的114栋建筑中展示了良好的泛化能力。Rahman等人[15]构建了一个RNN模型，利用历史能源使用和天气数据有效预测了公共和商业建筑的短期电力需求。Nutkiewicz等人[16]基于22栋建筑的三年EnergyPlus模拟数据开发了一个ResNet能源预测模型，在估计实际电力消耗方面表现出高准确性。
然而，现有的基于数据的UBEM研究大多依赖于独立的单建筑模型，这限制了它们在综合城市规模预测中的适用性[15]。在校园和区域尺度上，电力需求表现出强烈的空间自相关性，这是由于同步的暖通空调（HVAC）计划、相邻建筑之间的热耦合以及协调的占用模式所致[17]。这些建筑间的依赖性往往导致集体峰值行为，给电网运营和负荷管理带来重大挑战。单建筑建模方法往往无法捕捉这些空间相关的动态，因此无法完整反映城市规模的负荷行为。此外，随着建筑组合的增长，为每栋建筑分别训练和维护模型会增加模型复杂性和维护工作量，同时在新建筑添加或数据缺失时也会降低模型的鲁棒性和泛化能力。
基于图的UBEM通过将建筑表示为节点，将它们之间的相互关系表示为边，从而能够明确建模建筑间的依赖性。通过共享参数同时保留节点特定的表示，基于图的模型提高了数据效率和泛化能力，相比逐建筑的方法[18]。此外，当与归纳图学习结合使用时，这些框架可以适应缺失的测量数据和新添加建筑的集成，而无需重新训练整个模型，从而缓解了可扩展性挑战[19]。
最近的研究展示了这一潜力。Hu等人[20]结合了时空图卷积网络（ST-GCN）来反映建筑间的光伏驱动的相互依赖性，在亚特兰大校园的每小时负荷预测中实现了5%的平均绝对百分比误差（MAPE）。Lin等人[21]使用GAT-LSTM模型捕捉建筑间的效应，在校园规模实验中将R2提高了9.75%。Chen等人（2023年）提出了知识嵌入的关联时态动态图卷积网络（K-ATDGN），用于冷水机组冷却负荷预测，平均MAPE达到14.92%，优于基准模型。Liu等人[22]引入了Att-GCN用于多建筑预测，采用动态图构建。
然而，现有方法存在一些局限性。首先，大多数研究侧重于单步预测而非日预测，而这对于校园规模的负荷管理和能源系统运营至关重要。因此，如长时间范围内的误差累积和不确定性量化等挑战尚未得到充分解决。其次，尽管联合预测多栋建筑可能会降低相对于单建筑模型的性能，但以往的研究很少提供比较分析。第三，现实世界的BMS和智能电表数据集经常出现传感器噪声和缺失值，然而基于图的UBEM对这些数据质量问题的鲁棒性尚未得到充分重视。
为了解决这些不足，本研究提出了一种基于图的基于数据的UBEM框架，用于校园规模的日预测电力需求。该模型通过将建筑表示为图节点，将建筑间的相互作用表示为边，同时学习空间依赖性和时间负荷模式。比较了三种GNN架构（GCN、GAT、GraphSAGE）和四种时间序列模型（GRU、LSTM、RNN、Transformer）的组合，以确定最佳的多建筑模型，并定量评估了相对于多建筑和单建筑基线模型的性能改进。通过多种插补场景评估了模型对缺失数据的鲁棒性，并检查了极端天气条件下的峰值负荷预测能力，以验证校园规模基于数据的UBEM的运营适用性（见图1）。
本研究将日预测多建筑负荷视为一个空间情境学习问题，并提出了一个基于图的UBEM框架，该框架能够捕捉建筑间的相互作用。除了关注预测准确性外，还进行了系统分析，以研究空间背景、天气信息、注意力机制和残差学习如何共同影响长时间范围内的预测稳定性。最后，通过缺失数据和极端天气条件下的鲁棒性评估进一步验证了所提出框架的运营相关性，突出了空间信息在校园规模能源管理中的实际价值。
