Разворачиваемые гибридные модели знаний и данных для прогноза суточной нагрузки на охлаждение при дефиците данных: кейс и валидация производительности

Почему важно прогнозировать охлаждение зданий

По мере роста городов и учащения тепловых волн крупные офисные здания всё больше зависят от кондиционирования воздуха. Знание потребности в охлаждении на завтра заранее помогает операторам зданий разумно закупать электроэнергию, эффективно управлять чиллерами и поддерживать энергосистему, в которой растёт доля солнечной и ветровой генерации. Тем не менее у самых новых и энергоэффективных зданий часто имеется очень мало данных за первые месяцы работы, что затрудняет надёжное прогнозирование их потребности в охлаждении стандартными инструментами искусственного интеллекта.

Проблема ограниченного объёма данных

Многие современные инструменты прогнозирования рассматривают здание как «чёрный ящик». Они подают в модель прошлое энергопотребление, погодные данные и расписания, и позволяют алгоритму обучения находить закономерности. Такие модели, требовательные к данным, хорошо работают при наличии многолетних качественных записей. Но в новом или только что отреставрированном здании история данных коротка. В этих условиях чисто основанные на данных модели склонны зацикливаться на случайных особенностях ограниченного набора наблюдений, пропускать резкие скачки спроса и давать прогнозы с сильными дневными колебаниями. Это особенно критично для планирования на следующий день, когда операторы должны распределить работу систем охлаждения и взаимодействовать с рынком электроэнергии за 24 часа до потребления.

Сочетание простой физики с современным обучением

В исследовании предложен практичный компромисс между детальными физическими симуляциями и чистой обработкой данных. Вместо моделирования всех источников тепла в здании авторы сосредоточились на двух вкладках, которые можно вычислить по информации, имеющейся в большинстве зданий: тепло, поступающее с наружным приточным воздухом, и тепло, проходящее через стены и окна. Используя базовые формулы теплопередачи, они переводят прогнозы погоды, характеристики остекления и расписания вентиляции в грубые, физически осмысленные оценки этих нагрузок. Эти оценки не заменяют измеренную потребность в охлаждении, но добавляются как дополнительные входы, направляющие глубокую модель, сочетающую сверточные и рекуррентные слои.

Тестирование гибридной идеи на реальной офисной башне

Подход был опробован на 23-этажном офисном здании в Ханчжоу, Китай, с современной стеклянной фасадной системой и центральным охлаждением. Исследователи использовали один сезон охлаждения с почасовыми данными — примерно 4300 часов — а затем искусственно ограничивали, какой объём этой истории каждая модель могла видеть при обучении. В некоторых испытаниях модели обучались только на 10% данных, что эквивалентно немногим более двум неделям записей. В четырёх вариантах прогнозировщика три использовали физически обоснованные оценки приточного воздуха или нагрузок через стены и окна в качестве направляющих сигналов, а четвёртый полагался исключительно на прошлые данные по охлаждению и погоде. Все модели пытались предсказать почасовой профиль охлаждения на следующий день.

Более точные и стабильные прогнозы

При скудном объёме обучающих данных различия между подходами стали очевидны. Имея лишь 10% данных, чисто основанная на данных модель часто пропускала резкий утренний подъём нагрузки на охлаждение с приходом сотрудников и занижала пиковые значения в жаркие полуденные часы. Её ошибки сильно варьировались в зависимости от того, какие дни использовались для обучения. Напротив, все три гибридные версии гораздо лучше отслеживали время и величину пиков и демонстрировали значительно меньшую разброс ошибок. В среднем гибридные модели сократили типичную ошибку прогноза примерно вдвое и уменьшили разброс ошибок почти на порядок по сравнению с базовой моделью. Самый простой вариант, использующий в качестве дополнительной информации только нагрузку приточного воздуха, предложил особенно привлекательный баланс точности, стабильности и простоты настройки.

Что это значит для реальных зданий

Для владельцев зданий и менеджеров по энергопотреблению главный вывод — немного физики даёт большой эффект. Включив простые, легко вычисляемые оценки вклада приточного воздуха и ограждающей конструкции в потребность в охлаждении в модель обучения, можно получать полезные прогнозы на следующий день даже в первые месяцы эксплуатации, когда исторические данные ещё скудны. Исследование показывает, что подход «гибрид знания–данные» помогает укротить переобучение, сохранять умеренные затраты на обучение и предоставлять надёжные рекомендации по расписанию работы чиллеров и систем хранения. Проще говоря, сочетание базовых инженерных представлений с современными инструментами анализа данных помогает зданиям поддерживать комфорт, сокращать потери и эффективнее взаимодействовать с меняющейся энергосистемой.

Цитирование: Chen, J., Sun, T., Zhang, Y. et al. Deployable knowledge–data hybrid models for day-ahead cooling load prediction under data scarcity: a case study and performance validation. Sci Rep 16, 15079 (2026). https://doi.org/10.1038/s41598-026-45325-3

Ключевые слова: прогноз нагрузки на охлаждение, энергия зданий, гибридное моделирование, дефицит данных, глубокое обучение