用于建筑规模化能源不确定性的 AI 增强地热模型

为何更智能的供暖与制冷很重要

城市消耗了全球大部分能源，而其中很大一部分用于住宅的供暖与制冷。随着极端天气和电力短缺变得愈加常见，规划者需要更好的方法来预测建筑将消耗多少能源，以及像地热热泵这样的新技术如何减少账单和排放。 本研究介绍了一种快速、可供 AI 使用的建模工具，能够估算住宅和社区中地热系统的能耗，帮助社区决定哪些升级在环境和经济上回报最大。

用于复杂建筑的简化模型

作者没有依赖传统的、极其详细且运行缓慢的仿真引擎，而是基于一种精简的“热电路”模型。在这种方法中，房屋被视为一个热的电路：墙体、窗户和室内空气用少量的热阻和蓄热元件来表示。天气数据、建筑材料以及来自人员和设备的室内热增益输入到该模型中，模型随后计算地热热泵随着时间推移所需的供暖或制冷量。该模型用 Julia 编程语言实现，并封装为名为 Building Energy Replica Tool（BERT）的新软件，从头设计为运行快速、可扩展且易于与机器学习算法对接。

与权威标准的比对

为验证这一轻量级模型是否可靠，研究团队将 BERT 的结果与行业标准建筑仿真器 EnergyPlus 的结果进行了比较。他们选用新墨西哥州立大学校园内一座约 650 平方英尺的住宅，谨慎复现其体量、材料和当地气象。对于一个炎热的夏日和一个寒冷的冬日，两种工具在峰值供暖和制冷需求的时序上非常一致，尽管峰值的具体数值大约相差 20%–30%。由于对蓄热的表示方式，BERT 倾向于平滑掉尖锐的峰值，但总体上能准确追踪建筑何时需要能量以及负荷如何随日变化。关键是，BERT 的运行速度比 EnergyPlus 快好几倍，比一些其他工程工具快几十倍，使得大量运行成为可能。

找出真正驱动能耗的因素

速度很重要，因为作者不仅想要一个单一预测——他们希望理解不确定性并找出哪些设计选择最重要。他们使用高级抽样方法变化关键输入，然后应用全局敏感性分析以确定哪些参数对能耗影响最大。在多种技术下，结论一致：对于采用地热系统的建筑来说，地埋环路和热泵本身的设计主导了能耗的不确定性。诸如土壤与管道之间的传热率、埋管长度以及热泵效率等因素，在合理范围内的重要性超过了墙体保温或混凝土性质的变化。进一步的统计分析显示，不同参数组合可以产生几乎相同的日能耗曲线，突出了设计者在哪些方面有灵活性、哪些方面则不然。

把经济学与数据科学结合起来

由于模型运行非常快，团队能够将分析扩展到经济学和人工智能层面。基于全年模拟，他们将地热热泵系统与传统燃气炉和标准空调在不同墙体保温情景以及新墨西哥州拉斯克鲁塞斯的当地电价和激励措施下进行了比较。地热方案稳健地将年供暖和制冷能耗大致减少约一半，并且在考虑补贴和税收抵免后，常常能在几年至大约十五年内收回额外的前期成本——远在设备预期使用寿命之内。在 AI 方面，他们在数千次 BERT 模拟上训练了一个极端梯度提升（XGBoost）机器学习模型。即便使用相对适中的训练集，该算法也能在数秒内近乎完美地重现 BERT 的能耗预测，证明基于物理的模型可以被蒸馏为适用于实时控制和城市级规划的超高速替代模型。

这对未来城市意味着什么

对非专业读者而言，主要结论是：经过精心设计的简化模型可以足够准确地指导实际决策，同时足够快速以探索成千上万种“假设情景”。研究表明，在地热住宅中，做好地下系统和热泵设计比调整每一处墙体细节更为重要，并且这些系统在其寿命期间既更环保又具有成本效益。通过将此类具有物理意识的模型与机器学习结合，作者为一个 UrbanAI 平台奠定了基础，该平台可帮助规划者测试政策、公共事业机构预测需求，以及房主或开发商在动工前看到更清洁供暖与制冷的长期收益。

引用: Markowitz, A., Abuaamoud, R., Ben Ayed, S. et al. AI-augmented geothermal model for scalable energy uncertainties in buildings. Sci Rep 16, 11907 (2026). https://doi.org/10.1038/s41598-026-40837-4

关键词: 地热热泵, 建筑能耗建模, 城市能源规划, 机器学习, 可再生供暖与制冷