基于機器學習的建筑能耗檢測預警平臺構建

中圖分類號：TP317.4;TU18 文獻標識碼：A 文章編號：1001-5922（2025）10-0218-04

Construction of building energy consumption detection and early warning platform based on machine learning

XU Jiping （Shandong Urban Construction Vocational College， Jinan 25O1O3，China）

Abstract：In order to solvethe problems oflow prediction acuracy，poorreal-time performanceand weak scalabilityof traditional energy consumption management methods，this paper proposes a distributed building energy consumption monitoring and early warning platform basedon machine learming integrated model.The platformadopts a hierarchical architecture design，and the perception layer collcts multi-sourcedata in realtime through IoTdevices;the data layer completes missing value filling，outliercorrection，discrete coding and standardized preprocessing，and screens six core features of daycategory，time node，dry bulb temperature，relative humidity，solarradiation intensityand energy consumption powerof heating ventilation and air conditioning system based on feature importance evaluation.Application layer integrates visualization and early warning functions.In order to avoid early warning errrs oromissions，this paper proposes a two-layer integrated prediction model：the first layer generates preliminary predictionresults inparalll byartificial neuralnetwork and lightweight gradient hoist，and the second layer fuses thedual modeloutputthrough linear regression weighting，which significantlyimproves the model performance.The modelverification shows thatthe platform canrealize real-time data acquisition，dynamic threshold warning and multi-building cluster paralel management，and provide full-process technical support for energy-saving decision-making.

Key words：building energy consumption prediction;lightweight gradient hoist;artificial neural network;integrated model; monitoring and early warning platform

在全球能源消耗持續增長的背景下，建筑能耗作為能源消耗的重要組成部分，其管理效率直接影響能源節約與環境保護目標的實現。據統計，建筑能耗約占全球總能耗的一半，且隨著城市化進程的加快，這一比例仍在持續上升。因此，如何通過智能化手段實現建筑能耗的高效監測、精準預測與及時預警，已成為當前建筑節能領域的關鍵研究方向[2-3]。傳統的建筑能耗管理方法主要依賴人工巡檢與簡單統計模型，受時間、氣象、設備運行狀態等多因素的影響，存在預測精度不足、實時性差、可擴展性弱等缺點[4]。隨著科學技術的發展，機器學習技術為建筑能源的監測提供了新的思路。其中，輕量級梯度提升機以其高效處理高維數據、低內存消耗和并行計算能力，在時間序列預測任務中表現優異；人工神經網絡則憑借強大的非線性建模能力，能夠有效學習多因素交互作用下的復雜規律5。然而，單一模型仍存在過擬合風險或特征學習不全面的問題。基于此，本文提出一種融合預測模型，通過雙層結構整合兩種算法的互補優勢，顯著提升能耗預測的準確性。

1建筑能耗檢測預警平臺搭建

建筑能耗檢測預警平臺的構建是實現智能化能耗管理的核心載體。本文設計采用 Python 的Django框架開發后端預測接口，前端基于Vue.js構建動態面板，數據庫選用MySQL存儲歷史與實時數據[7-9]。通過分布式部署構構建筑能耗檢測預警平臺，平臺涵蓋感知層、數據層與應用層，通過物聯網技術、分布式計算與機器學習算法的深度融合，實現從數據采集到決策支持的全流程閉環管理。在感知層，平臺部署智能電表、溫濕度傳感器、光照傳感器等物聯網設備，實時采集建筑運行過程中的關鍵參數。采集到的數據以每小時為頻率通過物聯網通信協議傳輸至數據層，確保信息的時效性與連續性。數據層作為平臺的核心樞紐，承擔數據預處理、存儲與模型運算功能。原始數據經處理后輸入至基于機器學習的能耗預測模型，生成高精度能耗預測值。當實時監測數據與預測基準的偏差超過閾值時，平臺自動觸發異常診斷機制。應用層聚焦于可視化與決策支持，通過前端交互界面實時展示建筑能耗趨勢、預測結果及異常信息。平臺整體功能流程如圖1所示。

平臺基于預測模型輸出的動態基準，持續比對實際能耗與預測值的偏差，一旦檢測到異常，立即通過消息推送、界面彈窗等方式通知運維人員，并生成診斷報告輔助故障定位。綜上，建筑能耗預測模型是本預警平臺的核心內容，后續將著重介紹建筑能耗預測模型的構建。

2建筑能耗預測模型構建

2.1特征選擇與處理

特征選擇與處理是模型構建的關鍵環節，會直接影響預測精度與計算效率。建筑能耗受時間、氣象、設備參數等多因素交互影響，需從高維特征中篩選核心變量。本文初步選擇時間、氣象、HVAC系統能耗功率、建筑參數以及使用者行為為建筑能耗特征。隨后再通過LightGBM算法在訓練過程中通過統計特征在決策樹中的分裂次數和貢獻度，生成特征重要性得分[10-14]。具體計算公式如下：

（1）

式中： T 為所有決策樹； n 為樹的節點； f 為特征；1（f_n=f） 為指示函數，若節點 n 使用特征 f 分裂則返回0; Gain（n） 表示節點分裂帶來的信息增益。

經LightGBM訓練后，各特征的重要性得分排序如表1所示。

表1建筑能耗特征及重要性評分

Tab.1 Building energy consumption characteristics andimportancescore

表1中，日期特征作為連續時間戳，其模式信息已通過特征工程轉化為“日類別”和“時間節點”兩個結構化特征。同時，為剔除冗余特征，結合Pearson相關性分析，使用相關性系數量化變量間關聯強度[15]。相關計算為：

式中： X，Y 為參與相關性分析的任意兩個特征變量； P 為關聯強度，若 |P| 趨近于1表示強相關，趨近于0則表示弱相關。

通過式（2），得到特征間Pearson相關系數，并最終選定日類別、時間節點、干球溫度、相對濕度、太陽輻射強度、HVAC系統能耗功率6項核心特征，顯著降低維度并保留關鍵信息。此外，在實際應用中，針對原始數據集存在的缺失值、異常值及量綱差異問題，本研究通過系統化的數據預處理流程保障輸入數據質量，具體處理包括“缺失值填充一異常值修正→離散特征編碼一標準化\"的系統流程，通過均值填充法插補缺失數據確保數據連續性，IQR邊界定義排除離群干擾，獨立編碼實現類別變量數值化，Min-Max標準化消除量綱差異對模型訓練的干擾，確保輸入數據質量滿足建模要求。

2.2 預測模型構建

本文基于前期篩選的6項核心特征，以及參考ANN和LightGBM的優勢，構建ANN-LightGBM預測模型。該模型通過雙層結構整合ANN與LightGBM的互補優勢，顯著提升能耗預測的準確性與魯棒性。模型構建流程為：原始數據集經過特征選擇與預處理后輸入模型訓練階段。在第一層中，數據集被并行輸人至ANN與LightGBM兩個獨立模型中：ANN模型采用四層隱藏層結構（每層8個神經元），通過ReLU激活函數學習特征間的非線性關系，輸入層接收標準化后的特征向量，隱藏層進行非線性變換，輸出層生成初步能耗預測值 P_ANN ;LightGBM模型基于直方圖算法與葉子優先生長策略，通過迭代構建決策樹優化預測結果，每輪迭代中，模型依據特征重要性進行節點分裂，最終輸出預測值PLGBM。

在第二層中， P_ANN 與 P_LGBM 作為輸入特征，通過線性回歸模型進行集成。該層通過網格搜索與十折交叉驗證優化權重系數，最終輸出集成預測結果P_Stacking 。相關計算公式如下：

P_Stacking=α?P_ANN+β?P_LGBM+ε

式中： α，β 為權重系數； ε 為校正常數。此集成策略有效結合了ANN對非線性關系的建模能力與Light-GBM對高維特征的高效處理能力，避免了單一模型的過擬合風險，同時提升了模型的泛化性能。整個流程通過Python實現，利用scikit-learn與LightGBM庫完成模型訓練與參數優化。

3實驗驗證結果及分析

3.1 實驗環境

為驗證預測模型的性能，本研究搭建了專用的實驗軟硬件環境，如表2所示，確保模型訓練與測試的高效性和可復現性。

3.2 數據來源

本研究以某市公共建筑B為研究對象，數據來源于該建筑智能化能耗監測系統。該系統通過智能電表、溫濕度傳感器、光照傳感器等物聯網設備，實時采集建筑運行狀態相關數據。采集周期為2022年8月1日至2023年4月30日，數據類型涵蓋時間、氣象、設備功耗等特征，采集頻率為每小時記錄一次，共獲取約6500組有效數據。經過2.1所述預處理后，最終選定6項核心特征作為模型輸人，部分樣本數據如表3所示。

表2實驗環境Tab.2Experimentalenvironment

表3部分建筑能耗特征數據 Tab.3Some building energy consumption characteristic

data

3.3 評價指標

為量化預測模型的性能，本研究采用均絕對誤差（MAE）均方誤差（MSE）、均方根誤差（RMSE）以及決定系數（ R² ）四類誤差指標進行評價，相關計算公式如下：

式中： y_i 為第 i 個樣本的實際能耗值； 為第 i 個樣本的預測能耗值； 為實際能耗值的均值； N 為測試集樣本數量。

3.4 預測結果分析

預測模型的預測評價結果如表4所示，其中MAE為0.1734、MSE為0.1086、RMSE為0.3422，且決定系數 R² 高達0.9439，表明模型能夠解釋 94.39% 的能耗數據方差，擬合優度極佳，充分證明了模型捕捉建筑能耗復雜非線性規律的能力。綜合來看，模型在各項誤差指標上均表現優異，預測精度高且穩定性強，能夠為建筑能耗的實時監測與異常診斷提供可靠的技術支持。

表4模型評價指標結果

4結語

本文構建了一種基于機器學習的建筑能耗檢測預警平臺，通過分層架構設計實現了從數據采集到預警決策的全流程閉環管理。平臺在感知層利用物聯網設備實時采集多源數據，在數據層完成高效的數據預處理與特征優化，篩選出日類別、時間節點、干球溫度、相對濕度、太陽輻射強度和HVAC系統能耗功率六項核心特征，顯著提升了模型的輸人質量。在模型層面，創新性地提出雙層集成預測框架：第一層結合ANN的非線性建模能力與LightGBM的高效特征處理能力，生成初步預測結果；第二層通過線性回歸加權融合策略整合雙模型優勢，有效規避了單一模型的過擬合風險。實驗表明，模型具有捕捉建筑能耗復雜非線性規律上的卓越性能。該平臺具有顯著的工程應用價值，未來研究可進一步探索模型在多場景泛化能力、實時性優化及與可再生能源系統的協同管理等方面的深化應用，推動建筑能耗智能化管理向更高水平發展。

【參考文獻】

[1]李新兵，劉心路，陸鵬.基于能耗監測系統的醫院建筑節能問題研究[J].綠色建造與智能建筑，2025（4）：117-119.

[2]郝素昌.基于5G與人工神經網絡的高速公路機電系統數據傳輸路徑優化方法[J].交通工程，2024，24（12）：117-121.

[3]管少華.人工神經網絡在污水處理中的應用探討[J].工程建設與設計，2024（24）：109-111.

[4]曾鈺，肖曲，陶佳，等.基于人工神經網絡構建湖南省企業重金屬廢水預測模型研究[J].科技資訊，2024，22（24）：202-204.

[5]周宇，林其釗.污泥摻混濕垃圾共燃特性研究及人工神經網絡預測[J].熱科學與技術，2024，23（6）：541-550.

[6]高致源，邢建春，張學偉.城市級建筑能耗監測平臺應用綜述[J].建筑科技，2024，8（10）：39-45.

[7]馮歡，張國強，曹軍，等.WOA優化LightGBM在火成巖測井巖性識別中的應用[J].地球物理學進展，2025，40（1）：230-242.

[8]尚琳.基于人工神經網絡的飛機發動機故障診斷模型構建研究[J].粘接，2020，44（11）：177-180.

[9]楊金鑫，廖才波，胡雄，等.基于DGA與TPE-LightGBM的變壓器故障診斷[J].電力科學與技術學報，2024，39（4）：70-77.

[10]賴汶鴻，劉慶珍，鄢仁武.基于關聯信息熵和輕量級梯度提升機的油紙絕緣特征優選策略[J].電氣技術，2024，25（1）：34-41.

[11]HUANG R，CAI Y X，HE Y S，et al. Predictive model ofoxaliplatin-induced liver injury based on artificial neuralnetwork and logistic regression[J]. Journal of Clinical andTranslational Hepatology，2023，11（7）：1455-1464.

[12]胡向東，唐玲玲.基于輕量級梯度提升機優化的工業互聯網入侵檢測方法[J].網絡與信息安全學報，2023，9（2）：46-55.

[13]ELTARABILY G M，ELSHAARAWY K M，ELKIKI M，etal. Computational fluid dynamics and artificial neural net-works for modelling lined irrigation canals with low-densi-typolyethylene and cement concrete liners[J]. Irrigationand Drainage，2023，73（3）：910-927

[14]陳芳芳，宋姿睿，張景涵，等.融合多尺度特征的冬小麥空間分布提取方法[J].農業工程學報，2022，38（24）：268-274.

[15]高文清，陳東輝.采用人工神經網絡BP對鋼-橡膠分層粘接界面的超聲檢測實驗[J].粘接，2022，49（11）：10-15.