Distribuerbara hybridmodeller för kunskap och data för dygnsprognoser av kylbehov vid brist på data: en fallstudie och prestandavalidering

Varför prognoser för byggnads-kylning är viktiga

När städer växer och värmeböljor blir vanligare förlitar sig stora kontorsbyggnader i hög grad på luftkonditionering. Att känna till morgondagens kylbehov i förväg hjälper driftansvariga att köpa el klokt, köra kylmaskiner effektivt och stötta ett elnät som får mer sol- och vindkraft. Samtidigt har de nyaste och mest energieffektiva byggnaderna ofta mycket lite data från sina första driftmånader, vilket gör det svårt för standardverktyg inom artificiell intelligens att förutsäga deras kylbehov på ett tillförlitligt sätt.

Utmaningen med begränsad data

Många av dagens prediktionsverktyg behandlar en byggnad som en svart låda. De matar in tidigare energianvändning, väder och scheman och låter en inlärningsalgoritm söka efter mönster. Dessa datahungriga modeller kan fungera bra när år av högkvalitativa register finns tillgängliga. Men i en ny eller nyrenoverad byggnad finns ofta bara en kort historik. Under dessa förhållanden tenderar rent databaserade modeller att haka upp sig på egenheter i den begränsade datan, missa plötsliga hopp i efterfrågan och leverera prognoser som svänger kraftigt från dag till dag. Detta är särskilt problematiskt för dygnsplanering, när operatörer måste schemalägga kylutrustning och interagera med elmarknaden hela 24 timmar i förväg.

Att blanda enkel fysik med modern inlärning

Studien introducerar en praktisk mellanväg mellan detaljerade fysiska simuleringar och ren datamining. Istället för att försöka modellera varje värmekälla i byggnaden fokuserar författarna på två bidrag som kan beräknas från information som de flesta byggnader redan har: värmen som kommer in med uteluft och värmen som läcker genom väggar och fönster. Med hjälp av grundläggande värmeöverföringsformler omvandlar de väderprognoser, glasegenskaper och ventilationsscheman till grova, fysikaliskt rimliga uppskattningar av dessa laster. Dessa uppskattningar ersätter inte uppmätta kylbehov utan läggs till som extra indata som styr en djupinlärningsmodell som kombinerar konvolutionella och rekurrenta nätverkslager.

Test av hybrididén i ett verkligt kontorstorn

Metoden testades på en 23 våningar hög kontorsbyggnad i Hangzhou, Kina, med modern glasfasad och centralt kylningssystem. Forskarna använde en kylsäsong med timvisa data, cirka 4 300 timmar totalt, och begränsade sedan artificiellt hur mycket av denna historik varje modell kunde se under träningen. I vissa tester kunde modellerna lära sig från endast 10 procent av datan, motsvarande strax över två veckors register. I fyra versioner av prediktorn använde tre fysikbaserade signaler för tilluft eller vägg- och fönsterlaster som styrinformation, medan en fjärde förlitade sig enbart på tidigare kyla och väderdata. Alla modeller försökte förutsäga nästa dags kylprofil timme för timme.

Mer precisa och stabilare prognoser

När träningsdata var knappa blev skillnaderna mellan metoderna tydliga. Med endast 10 procent av datan tillgänglig missade den rent databaserade modellen ofta den skarpa morgonupptrappningen i kylbehov när personal anlände och underskattade heta eftermiddagstoppar. Dess fel varierade kraftigt beroende på vilka dagar som användes för träning. I kontrast följde alla tre hybridvarianterna topparnas tidpunkt och nivå mycket noggrannare och visade betydligt mindre spridning i sina fel. I genomsnitt halverade hybridmodellerna det typiska prognosfelet och minskade felens spridning med nästan en storleksordning jämfört med baslinjen. Den enklaste varianten, som endast använde tilluftslasten som extra information, erbjöd en särskilt attraktiv balans mellan noggrannhet, stabilitet och enkel uppsättning.

Vad detta betyder för verkliga byggnader

För fastighetsägare och energihanterare är huvudbudskapet att lite fysik gör stor skillnad. Genom att integrera enkla, lätt beräknade uppskattningar av hur tilluft och byggnadens skal bidrar till kylbehovet i en inlärningsmodell blir det möjligt att få användbara dygnsprognoser även under de första driftmånaderna, när historiska data fortfarande är sparsamma. Studien visar att denna kunskaps-data-hybridmetod kan dämpa överanpassning, hålla träningskostnader måttliga och ge pålitlig vägledning för schemaläggning av kylmaskiner och lagring. Enkelt uttryckt hjälper kombinationen av grundläggande ingenjörsinsikt och moderna dataverktyg byggnader att hålla bekvämlighet, reducera slöseri och samarbeta smidigare med ett elnät i förändring.

Citering: 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

Nyckelord: prognoser för kylbelastning, byggnadsenergi, hybridmodellering, databrist, djupinlärning