《Energy and Buildings》：A novel framework for modeling monthly building energy consumption at the mesoscale community level during the zoning phase
编辑推荐：
机器学习驱动的城市建筑能源建模框架研究，利用 zoning designations, demographics, weather patterns 等规划阶段数据预测社区级月度电气和天然气需求，R2 超过0.98，优于形态学模型，通过三个贡献填补传统建模数据稀缺问题。
作者：林奇（Qi Lin）与关成和（ChengHe Guan）
所属机构：美国纽约大学坦登工程学院（Tandon School of Engineering）土木与城市工程系，纽约州布鲁克林
摘要
城市是主要的能源消耗者，但在现有的建模框架中，仍然存在一个关键缺口：这些框架无法在没有详细建筑属性的情况下支持分区阶段的决策制定。为填补这一空白，本研究引入了一种基于机器学习的介观尺度城市建筑能源建模框架，该框架仅利用分区阶段可获取的数据（如分区规划、人口统计信息和天气模式）来预测各终端使用领域的月度电力和天然气消耗量。将该模型应用于纽约市后，证明了这种数据高效方法的可行性：在某些类别中，模型的R2值超过了0.98；在大多数领域中，R2值也接近或高于0.9。值得注意的是，该框架的表现优于近期基于形态学的模型，因为它依赖于规划阶段的协变量而非建筑级别的属性。本研究做出了三项贡献：（1）证明了可以使用分区阶段的输入数据，在月度尺度上可靠地模拟多燃料、多领域的社区能源需求，从而捕捉到传统年度单一领域预测无法体现的季节性变化；（2）揭示了燃料和领域特定的预测优势，为识别社区能源脆弱性和制定早期干预措施提供了有价值的参考；（3）表明使用少量最具影响力的预测变量所构建的简化模型仍能保持高精度，提升了模型的实际应用能力和潜在的可转移性。总体而言，这项研究为城市规划者和政策制定者提供了一种可扩展的、具有政策相关性的工具，有助于评估能源影响、设计有针对性的干预措施，并支持促进可持续性和气候适应性的分区策略。
引言
城市占全球能源消耗量的三分之二以上，其中建筑物 alone 占用了城市能源使用的70%和全球碳排放量的40% [1] [2]。随着城市寻求减少排放和提高能源效率，规划者和政策制定者越来越需要能够在社区层面估算能源消耗的可扩展模型，因为土地使用和分区决策正是在这一阶段进行的 [3] [4] [5] [6]。然而，大多数现有的城市能源建模方法并不适合这一早期阶段：自下而上的模型依赖于详细的建筑几何形状、系统及使用数据 [7] [8]，而这些数据在分区阶段是无法获得的；同时，现有方法缺乏为社区层面的干预措施提供所需细粒度的数据 [1]。然而，分区阶段和早期城市设计阶段所做的决策会锁定数十年的开发强度、土地使用结构和城市形态，从而影响整个社区的能源需求规模和空间分布 [9]。因此，迫切需要一种能够仅利用该阶段实际可用的汇总规划级数据来指导分区阶段权衡的建模方法。
在过去十年中，城市尺度能源建模取得了显著进展，人们越来越关注更高的空间和时间分辨率，以及建筑物与其城市环境之间的相互作用 [10]。然而，许多现有工具要么需要详细的建筑级别属性（如建筑面积、建筑围护结构特征和运行时间表），而这些信息在分区阶段往往难以获取；要么它们的空间分辨率较粗，时间分辨率仅为年度，无法反映社区层面和季节性的能源需求变化 [1] [10] [11]。最近基于形态学的机器学习方法表明，城市形态指标可以提升社区或区域层面的预测性能，但这些方法通常只关注单一领域或燃料类型，并依赖于详细的地块或建筑占地面积数据 [12] [13]。因此，仍然存在一个关键缺口：即需要一种介观尺度的社区级模型，该模型能够仅利用分区阶段可获取的分区、人口统计和天气变量来估算多领域的月度能源需求，以便直接用于早期规划和政策制定。
为了填补这些空白，我们开发了一种介观尺度的城市建筑能源建模（UBEM）框架，该框架利用分区阶段容易获取或可影响的输入数据，来预测社区层面的月度电力和天然气消耗量。以纽约市（NYC）作为案例研究，我们评估了该框架的性能和决策支持潜力。本研究探讨了三个问题：（1）分区阶段的数据是否可以用来准确预测不同城市社区的月度建筑能源消耗量？（2）模型在不同能源类型上的性能随时间有何变化？（3）在早期发展阶段，介观尺度能源建模方法能提供哪些对规划有价值的见解？通过回答这些问题，本研究旨在为城市规划者和其他决策者提供一种实用的数据驱动方法，帮助他们识别社区层面的能源脆弱性和机会，评估不同的分区方案，并在城市分区和社区设计过程中制定更早、更有效的干预措施。这项工作主要通过纽约市的详细案例研究来开发和测试基于分区的介观尺度UBEM框架，其建模流程也具备概念上的可转移性，适用于其他具有类似分区、人口、天气和区域级能源数据的城市。
章节摘录
分区阶段数据对社区能源消耗的预测潜力
分区通常指一套广泛的规定，用于管理土地使用、开发强度和城市形态——这些正是规划者在早期设计阶段可以使用的变量 [14]。在同一座城市内，分区策略和社区划分方法会根据规划目标和行政需求而有很大差异 [15]。城市社区是城市规划的基本单位 [16]，有效的规划举措最有可能产生实际影响。
方法论
本研究开发了一种新的建模框架，用于在分区阶段预测社区层面的月度能源消耗量，该框架利用了规划者在此阶段相对容易获取或影响的分区法规和数据。具体而言，通过整合分区数据、人口统计数据、天气数据和节假日数据，我们采用了两种机器学习模型来预测纽约市不同邮政编码区域及各领域的能源消耗情况。
模型预测与特征选择的影响比较
1显示了使用模型1的RF和XGBoost算法在六个能源消耗类别上的测试集表现。除了XGBoost在预测住宅领域能源消耗时的表现不佳（R2值为0.723，RMSE为9.03E-05）外，两种算法在其他类别上的R2值均接近或超过了0.8。总体而言，RF在预测电力消耗方面的表现优于XGBoost。
模型的可用性和方法论优势
所提出的介观尺度能源建模框架仅利用分区阶段可获取的数据，就展现了其在预测社区层面月度能源消耗方面的强大实用性。通过绕过传统自下而上模型对详细建筑级别属性的需求，该方法有效解决了早期规划阶段数据稀缺的关键问题 [9] [27] [32]。相反，它有效地利用了分区、人口和气象变量。结论
本研究通过开发一种利用分区、人口和气象数据的介观尺度框架，解决了早期城市规划中缺乏可扩展、可操作能源建模工具的问题。与传统依赖详细建筑级别属性的自下而上方法不同，该框架证明了无需设计阶段的建筑详细信息，也能准确预测社区层面的能源消耗量。
作者贡献声明
林奇（Qi Lin）：撰写——审稿与编辑、初稿撰写、可视化、验证、软件开发、方法论构建、数据分析、概念化。
关成和（ChengHe Guan）：撰写——审稿与编辑、监督工作、资源协调、项目管理、方法论制定、资金筹措、概念化。
利益冲突声明
作者声明他们没有已知的财务利益冲突或个人关系可能影响本文的研究结果。
致谢
本研究得到了上海自然与健康基金会（资助编号：20230701 SNHF）、浦东珍珠计划2023（浦东人才办公室）、上海高校特聘教授计划（资助编号：20230111 SMEC）、国家外国专家管理局的青年人才计划（资助编号：10109_特殊资助）、温斯顿基金会以及上海市教育部门的资助。
