利用Prophet-VMD-LSTM模型预测空调系统碳排放的研究：以中国西北部某购物中心为例

《Energy and Buildings》：Research on predicting carbon emissions from air conditioning systems using Prophet-VMD-LSTM: A case study of a mall in northwest China

异常检测与智能减碳策略研究

　　

张利茂|黄家鑫|陈超|马玲|罗永强

华中科技大学土木与水利工程学院，中国湖北省武汉市洪山区珞喻路1037号，430074

摘要

建筑物中的异常能耗会导致大量资源浪费，并显著增加碳排放。然而，由于能源使用模式的复杂空间分布和不确定性，现有技术难以有效检测异常碳排放时间序列。为了解决这一挑战，本研究提出了一种基于自适应编码器-解码器架构的双分支异常检测框架。编码器结合了BiGRU和多尺度CNN模块来捕捉时空依赖性，而解码器则结合了GRU和多头注意力机制来预测每小时碳排放量。此外，还采用了一种动态阈值机制来动态识别异常。同时，开发了一个智能交互系统，该系统将大型语言模型与检索增强生成机制相结合，根据检测到的异常提供定制的脱碳策略。通过对中国某商业建筑的收集数据验证了所提出的框架，其点异常和集体异常的F1分数分别为0.835和0.903，误报率低于0.009。该交互系统能够响应用户查询并提供可操作的脱碳建议。这项工作提出了一种新颖、可解释的端到端架构，能够同时捕捉建筑物运行的多尺度模式和上下文因素，从而实现更精确的异常检测和人类参与的低碳决策。

引言

过量的碳排放加速了环境退化和全球气候变化，对生态系统的可持续性和人类福祉构成了严重威胁。作为城市碳排放的主要来源之一，建筑物碳排放已成为实现可持续发展目标的研究热点[1]、[2]、[3]、[4]。物联网和先进传感器的发展使得收集运行数据和监控建筑物性能成为可能。同时，许多意外因素（如设备故障、不友好的能源使用模式和建筑时间表）导致建筑物能源浪费和异常碳排放。准确检测建筑物碳排放对于减少不必要的能源浪费和支持智能脱碳策略至关重要。异常检测旨在识别偏离正常系统行为的数据模式，在早期故障诊断、能源浪费预防和风险管理中发挥着关键作用[5]、[6]。在建筑物碳排放的背景下，异常通常分为两类：点异常和集体异常。点异常指的是特定时间点的异常偏差，例如电流电压的突然升高或下降；而集体异常则涉及一段时间内的持续偏差。上述两种类型的异常不仅具有各自的模式，还具有不同的时间特性和物理意义。点异常关注短期时间序列波动，而集体异常关注长期行为变化[7]、[8]。然而，现有研究很少同时考虑这两种类型，缺乏有效的统一检测方法，这限制了它们在建筑物能源管理和改造规划中的实际应用。

已经探索了多种异常检测方法，包括统计模型、基于规则的系统、机器学习和深度学习技术[3]、[6]、[9]、[10]，以提高建筑物能源效率。统计方法（如ARIMA和EWMA）通常依赖于稳定性和线性的假设，这些假设不太适合建筑物碳排放的复杂非线性动态[6]。机器学习模型（如隔离森林和支持向量机）具有一定泛化能力，但通常依赖于复杂的特征工程，并且难以有效表示时间动态[11]、[12]。相比之下，深度学习方法由于具有强大的特征提取能力，已在多变量时间序列异常检测中得到广泛应用[13]、[14]、[15]。例如，循环神经网络可以模拟时间依赖性，而传统神经网络适用于局部模式提取。自动编码器和变分自动编码器在基于重建的无监督框架中表现出色[16]。然而，现有的深度学习方法主要关注点异常，无法有效检测集体异常。此外，这些神经网络的可解释性较差，无法定位异常碳排放时间序列[17]、[18]。

检测集体异常尤其具有挑战性，因为它们通常涉及多个相关变量之间的同步偏差，需要联合建模空间依赖性和时间模式[19]。基于ConvLSTM的时空模型在视频异常检测和交通预测中显示出巨大潜力，这些模型通过将卷积操作集成到循环框架中，既捕捉了空间特征又保持了时间建模能力[20]。然而，ConvLSTM在建筑物能源异常检测中的应用仍然有限，尤其是在集体异常检测方面。一些开创性研究引入了注意力机制或图神经网络来增强特征表示；然而，它们结构复杂且计算密集，缺乏同时检测点异常和集体异常的统一能力[21]。此外，建筑物场景中标记异常数据的稀缺进一步限制了监督方法的有效性，因此需要探索无需依赖标记数据即可同时检测点异常和集体异常的高效方法。

为了解决上述研究空白，本研究提出了一种基于自适应编码器-解码器架构的双分支异常检测网络（BASENet），旨在无需依赖标记数据即可同时检测建筑物碳排放时间序列中的点异常和集体异常。所提出的模型结合了双向ConvLSTM进行时空编码，并采用多尺度重建机制来提高定位精度。此外，通过将大型语言模型与检索增强生成相结合，开发了一个人类参与式的交互系统，使系统能够根据检测到的异常提供可解释和可操作的脱碳策略。在这方面，本研究致力于解决以下问题：（1）如何从复杂的未标记建筑物数据集中准确识别各种形式的碳排放异常；（2）如何有效利用时空依赖性来提高检测性能和可解释性；（3）如何将这些见解转化为有意义的低碳建筑运营指导。

其余部分的组织结构如下：第2节回顾了建筑物时间序列异常检测的相关工作。第3节介绍了BASENet架构和整体方法论。第4节介绍了实验设置并评估了实际数据上的性能。第5节提供了消融研究，以评估每个模型组件的影响。第6节总结了研究结果和未来工作。

章节片段

相关研究

大规模建筑物性能数据的积累以及对能源高效运营需求的增加，显著推动了智能建筑的发展。在此背景下，异常检测已成为建筑物节能和碳排放减少领域的一个关键课题，吸引了研究界的越来越多的关注。例如，周等人[22]提出了一种基于指数加权移动平均的方法

方法论

本研究开发了一种基于编码器-解码器的框架，用于检测建筑物碳排放（BCE）时间序列中的点异常和集体异常，如图1所示。本文整合了四个部分来阐明所使用的研究程序。第一部分涉及时间序列数据预处理和异常检测标准。第二部分主要介绍了编码器和解码器模块的模型结构。第三部分阐明了点异常的检测机制

数据和资源

为了验证所提出模型的异常检测性能，我们在中国西安的一座商业建筑上进行了实际案例研究。该建筑共有15层，包括3层地下和12层地上，总面积为66,278平方米。建筑物的外观如图5(a)所示，而基于建筑信息模型（BIM）的数字表示如图5(b)所示。从建筑结构上看

讨论

为了评估BASENet中每个核心组件的贡献，我们进行了一系列消融实验。具体来说，我们通过系统地移除关键模块来设计了四个简化版本的模型：注意力机制（模型1：NO_ATTENTION）、卷积特征提取器（模型2：NO_CNN）、BiGRU编码器（模型3：NO_EN_GRU）和GRU解码器（模型4：NO_DE_GRU）。每种变体的参数设置总结在表7中。这些消融实验

结论与未来工作

本研究提出了基于自适应编码器-解码器架构的BASENet框架，以解决建筑物碳排放时间序列异常检测中的挑战。BASENet有效捕捉了能源数据中的多尺度时空依赖性，提高了模拟复杂时间动态的性能。在解码器中，GRU和多头注意力机制的结合使模型能够精确聚焦异常区间并分析重建误差。

CRediT作者贡献声明

张利茂：撰写——审稿与编辑、监督、方法论、资金获取、概念化。黄家鑫：撰写——初稿、可视化、验证、软件、形式分析。陈超：撰写——审稿与编辑、撰写——初稿、监督、软件、方法论。马玲：验证、监督。罗永强：撰写——审稿与编辑、监督。

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

本工作部分得到了国家自然科学基金（编号72271101、72571110）和湖北省重点研发计划（编号2024DJC007）的支持。