混合LSTM-Transformer架构在哨兵建筑中用于预测室内操作温度建模

《Energy and Buildings》：Hybrid LSTM–Transformer architecture for predictive indoor operative temperature modeling in sentry buildings

准确预测操作温度（综合空气温度与周围表面平均温度）对优化HVAC系统性能、提升 occupant thermal comfort 和减少能耗至关重要。本研究提出Hybrid LSTM–Transformer混合深度学习框架，通过结合LSTM捕捉短期依赖和非线性动态、Transformer建模变量交互与长期时序依赖，并引入时空注意力池化机制强化关键时间步特征提取。基于西安某哨兵建筑实测数据验证，该模型在60分钟预测时效下R2值达0.87以上，显著优于LSTM、ANN、XGBoost等基准算法，且具有更强的误差累积抗干扰能力。研究填补了哨兵建筑操作温度预测模型的理论空白，为HVAC系统控制策略优化提供新方法。

　　

贾一凡|尹海国|徐哲|薛志新|李新阳|马振军|李安贵

西安建筑科技大学建筑服务科学与工程学院，中国陕西省西安市710055

摘要

准确预测操作温度（即空气温度与居住者感知到的周围表面平均温度的结合值）对于优化供暖、通风和空调（HVAC）系统的性能、提高居住者舒适度以及降低能耗至关重要，尤其是在哨兵建筑中。本研究提出了一种混合深度学习框架——Hybrid LSTM–Transformer，该框架结合了长短期记忆（LSTM）和Transformer架构，并采用了时间注意力池化机制。LSTM组件捕捉短期依赖性和非线性动态，而Transformer模型则模拟变量间的交互作用和长期时间依赖性。时间注意力池化进一步突出关键时间步骤，以提取最相关的时间特征。数据来自壁挂式电辐射供暖系统。对比实验表明，与包括LSTM、人工神经网络（ANN）、决策树（DT）、极端梯度提升（XGBoost）和随机森林（RF）在内的现有算法相比，所提出的Hybrid LSTM–Transformer在室内操作温度预测方面具有更优的性能和更强的抗误差累积能力。该模型在60分钟时间范围内的操作温度预测R2值超过了0.87。这些发现为开发准确的室内操作温度预测模型提供了宝贵的见解。

引言

随着供暖、通风和空调（HVAC）系统的广泛采用以及对热舒适度需求的增加，平衡能源消耗与室内舒适度已成为一个关键的研究重点[1]。准确高效的温度预测模型对于实现这一目标以及启用模型预测控制（MPC）策略至关重要[2]。然而，不同类型建筑的热特性存在显著差异。当在某一建筑上训练的算法应用于其他建筑时，HVAC系统的非线性行为往往会导致模型性能不佳[3]。此外，室内热动态受到太阳辐射等外部因素的强烈影响[4]，仅依赖空气温度预测作为控制信号不足以捕捉人体热感受或确保节能控制[5]。这些挑战凸显了选择合适的控制目标并开发针对代表性建筑类型的热环境模型的重要性。为了解决这一需求，我们提出了一种具有高预测精度的新型深度学习模型，用于预测哨兵建筑的操作温度。

哨兵建筑是一种轻量级、低成本的建筑结构，在全球范围内越来越普遍，用作临时办公场所、实验室、安保亭和军事哨所[6]、[7]。提高其热性能对临时或快速部署设施的能源效率和居住者舒适度具有重要意义[8]、[9]。然而，由于它们极易受到外部干扰（如直射太阳辐射和室外空气温度波动）的影响[11]，其性能往往不尽如人意[10]。这些干扰容易穿透轻质建筑外壳，导致供暖能耗增加和居住者热舒适度降低[12]。因此，对热环境控制系统的响应性和准确性提出了更高的要求。传统上，室内空气温度被作为主要控制变量，因为它易于测量和解释[13]。

然而，越来越多的证据表明，空气温度本身并不能充分代表人体热感受。例如，Kontes等人在两栋对比建筑中的研究表明，空气温度控制既无法持续维持也无法可靠地预测居住者的舒适度，这强调了根据具体建筑特性和HVAC运行模式调整控制策略的必要性。因此，使用操作温度（T₀）作为控制信号的HVAC系统受到了越来越多的关注。所有主要的室内环境标准都规定了操作温度的相关要求[15]、[16]、[17]，因为它更准确地反映了人体热感受，并且可以使用相对低成本的传感器进行监测。Hang等人[18]发现，基于T₀的设定点将热舒适度提高了38.5%。同样，Wang等人[19]报告称，在辐射系统中，基于T₀的控制根据系统类型和位置的不同，使总能耗降低了3.3–8.3%，并且优于传统的风机盘管策略。

这些发现强调了基于T₀控制的双重优势：提高舒适度和降低能耗。然而，仍存在一些实际障碍。T₀的关键决定因素——平均辐射温度（MRT）需要使用黑球温度计、净辐射计和复杂的视角因子计算，这增加了维护成本[20]，并增加了可能导致控制延迟的计算复杂性。这些挑战限制了其在实际应用中的可行性[21]。

鉴于确定平均辐射温度（MRT）的复杂性，数据驱动的机器学习（ML）方法因其简单性和灵活性而受到了广泛关注[22]、[23]。特别是深度学习方法与基于物理的白箱模型[24]形成对比，后者需要对目标建筑或区域有详细的了解，而基于灰箱的模型则严重依赖于先验知识和数学假设[25]。相比之下，数据驱动的黑箱模型直接从历史数据中学习环境变量与目标输出之间的关系，从而绕过了传统的热量平衡方程，减少了对详细建筑物理的依赖。这使得它们特别适合于室内空气温度、MRT和能源需求的序列预测[26]。常用的算法包括决策树（DT）、随机森林（RF）、k-最近邻（KNN）和极端梯度提升（XGBoost）[27]、[28]。值得注意的是，人工神经网络（ANNs）在预测序列数据方面显示出显著的优势[29]。表1总结了最近基于ML的室内温度预测研究，并强调了它们一贯强劲的性能。

除了室内温度预测之外，许多研究还研究了热舒适度指标，如预测平均投票（PMV）和热感觉投票（TSV）。Luo等人[30]报告称，随机森林（RF）模型在三点和七点TSV预测中的准确率分别为66.3%和61.1%，优于其他算法。他们进一步确定空气温度、湿度、服装隔热性、空气流速、年龄和代谢率为主要预测因素。Han等人[18]应用多元回归预测平均辐射温度（MRT），准确率为94%（R2 = 0.936）。同样，Xiong等人[31]证明，使用1000个训练样本的k-最近邻（KNN）模型准确率达到88.31%，被认为足以满足实际应用需求。Chai等人[32]也表明，人工神经网络（ANN）在预测自然通风住宅中的居住者热舒适度投票（TCV）和TSV方面优于传统的热量平衡模型。

尽管机器学习（ML）在预测建筑物内温度方面显示出巨大潜力，但大多数现有研究都集中在室内空气温度或热舒适度指标上，因此在操作温度预测方面存在明显的研究空白。此外，哨兵建筑由于具有快速的热响应特性，缺乏专门的建模框架和经过验证的案例研究。为了解决这些空白，本研究引入了一种混合深度学习框架——Hybrid LSTM–Transformer，该框架通过时间注意力池化机制整合了长短期记忆（LSTM）和Transformer架构。本文的主要贡献如下：

i) 我们通过整合长短期记忆（LSTM）和Transformer架构提出了一个混合LSTM–Transformer模型。

ii) 与人体热感受密切相关的操作温度被引入作为网络模型的输出，而不是室内空气温度。

iii) 使用代表性的哨兵建筑作为实验测试平台，并采用壁挂式电辐射供暖系统生成真实的高分辨率数据。

研究框架

研究框架

图1展示了研究框架。使用壁挂式电辐射供暖系统收集了用于操作温度预测的数据，这些数据构成了原始数据集。操作温度是根据传感器数据计算得出的，皮尔逊相关系数用于识别输入特征，并对这些特征进行了归一化。数据集被分为训练集和测试集。预测模型使用长短期记忆（LSTM）网络[33]开发。

数据采集

为了验证所提出模型在短期操作温度预测方面的有效性，进行了现场测量以进行模型训练和评估。实验活动于2024年12月17日至31日在中国陕西省西安的一个移动哨兵箱内进行。该哨兵箱主要用作警卫室，代表了临时和快速组装的建筑。其结构尺寸为2.0 m × 2.0 m × 2.4 m（长×宽×高），包括

结果与讨论

为了评估所提出的深度学习模型的预测性能，使用自制的侧壁安装电辐射供暖系统收集了数据。此外，还应用了五种常用的机器学习方法——LSTM、ANN、RF、DT和XGBoost——来预测单步和多步时间范围内的室内温度。下面详细比较了这六种算法生成的室内操作温度预测结果。

结论

在这项研究中，我们提出了一种新颖的黑箱Hybrid LSTM–Transformer架构，用于预测哨兵建筑内的操作温度。数据集是使用壁挂式电辐射供暖系统收集的，模型输入是根据相关系数分析选定的。然后将数据集分为训练集（80%）和测试集（20%）。在所提出的框架中，LSTM组件捕捉短期依赖性和非线性动态，而Transformer

作者贡献声明

贾一凡：撰写——原始草稿、可视化、正式分析。尹海国：撰写——审阅与编辑、方法论、资金获取、概念化。徐哲：正式分析。薛志新：数据管理。李新阳：调查。马振军：撰写——审阅与编辑。李安贵：撰写——审阅与编辑。

利益冲突声明

作者声明他们没有已知的可能会影响本文报告工作的财务利益或个人关系。

致谢

本研究由中国国家自然科学基金（编号：52578142）、陕西省重点研发计划对外合作项目（2025GH-YBXM-013）、陕西省教育厅青年创新团队科研计划项目（编号：23JP078）、陕西省高校青年创新团队以及中国陕西国际建筑服务科学与地下空间环境联合研究中心共同资助。