[论文解读] Development and application of a machine learning supported methodology for measurement and verification (M&V) 2.0

Colm Gallagher, Kevin Leahy+3 more|arXiv (Cornell University)|Jan 24, 2018

Building Energy and Comfort Optimization参考文献 27被引用 6

一句话总结

本文提出了一种基于机器学习的M&V 2.0方法，适用于工业建筑，通过特征选择与回归模型（如k-最近邻、人工神经网络、支持向量机）精确量化节能效果。在一次真实案例研究中，该方法实现了604,527 kWh的节能效果，95%置信区间为256,485–952,568 kWh，证明了其在数据质量差和计量设施有限条件下的稳健性能。

ABSTRACT

The foundations of all methodologies for the measurement and verification (M&V) of energy savings are based on the same five key principles: accuracy, completeness, conservatism, consistency and transparency. The most widely accepted methodologies tend to generalise M&V so as to ensure applicability across the spectrum of energy conservation measures (ECM's). These do not provide a rigid calculation procedure to follow. This paper aims to bridge the gap between high-level methodologies and the practical application of modelling algorithms, with a focus on the industrial buildings sector. This is achieved with the development of a novel, machine learning supported methodology for M&V 2.0 which enables accurate quantification of savings. A novel and computationally efficient feature selection algorithm and powerful machine learning regression algorithms are employed to maximise the effectiveness of available data. The baseline period energy consumption is modelled using artificial neural networks, support vector machines, k-nearest neighbours and multiple ordinary least squares regression. Improved knowledge discovery and an expanded boundary of analysis allow more complex energy systems be analysed, thus increasing the applicability of M&V. A case study in a large biomedical manufacturing facility is used to demonstrate the methodology's ability to accurately quantify the savings under real-world conditions. The ECM was found to result in 604,527 kWh of energy savings with 57% uncertainty at a confidence interval of 68%. 20 baseline energy models are developed using an exhaustive approach with the optimal model being used to quantify savings. The range of savings estimated with each model are presented and the acceptability of uncertainty is reviewed. The case study demonstrates the ability of the methodology to perform M&V to an acceptable standard in challenging circumstances.

研究动机与目标

• 解决工业建筑中传统方法因系统复杂和数据质量差而失效时，缺乏严格、数据驱动的M&V流程的问题。
• 克服IPMVP和ASHRAE Guideline 14在处理非住宅、高复杂度工业能源系统时的局限性。
• 开发一种可操作的、计算高效的M&V方法，利用机器学习提升基线建模精度与不确定性量化能力。
• 实现在计量设施有限、数据质量较低的工业设施中可靠进行M&V，此类情况在工业环境中具有典型性。
• 提供一种可扩展、透明且稳健的框架，适用于多种工业节能措施（ECM）项目。

提出的方法

• 采用一种新颖的、计算高效的特征选择算法，从可用的能源与运行数据中识别出最相关的预测变量。
• 基于基线期的小时数据，训练多种机器学习回归模型，包括人工神经网络、支持向量机、k-最近邻和普通最小二乘回归。
• 采用全面的模型选择方法，评估20种不同的基线模型，根据交叉验证性能确定最优模型。
• 应用交叉验证（具体为10折交叉验证）以估计模型不确定性，并选择CV(RMSE)最低的模型，该k-NN模型的CV(RMSE)为11.23%。
• 使用选定模型对报告期的能耗进行归一化处理，以估算调整后的基线能耗，从而实现节能效果的量化。
• 采用IPMVP推荐的方法量化不确定性，将节能的置信区间定义为基线估计标准误的两倍。

实验结果

研究问题

• RQ1 基于机器学习的M&V 2.0方法是否能在计量设施有限、数据质量差的工业建筑中实现可靠且精确的节能效果量化？
• RQ2 模型选择与性能（如CV(RMSE)）如何影响最终估算的节能效果及其相关不确定性？
• RQ3 与传统基于系统的M&V方法相比，全厂范围、数据驱动的方法在复杂工业环境中能在多大程度上提升M&V的准确性？
• RQ4 该方法在真实世界条件下（如静态因素变化和数据不完整）是否仍保持稳健性和可靠性？
• RQ5 该方法是否能减少对额外计量基础设施的需求，同时仍为政策制定和投资决策提供可接受的不确定性水平？

主要发现

• 最优基线模型为基于小时数据训练的k-最近邻（k-NN）回归模型，其交叉验证均方根误差（CV(RMSE)）为11.23%。
• 在222天的报告期中，总节能效果估计为604,527 kWh，95%置信区间为256,485–952,568 kWh。
• 所有20种模型的节能范围表明，交叉验证中的模型性能并不总与节能估算结果相关；在不确定性阈值下，报告节能效果更高的模型更受青睐。
• 性能最佳模型（15分钟频率）的调整决定系数（R²）为0.663，表明预测变量与冷冻水用电负荷之间存在中等但统计显著的关系。
• 该方法成功在实际工业设施中实现了M&V，尽管存在次优条件——如计量设施有限、数据质量问题和动态因素——证明了其在复杂环境中的稳健性。
• 该方法显著降低了对额外计量基础设施的需求，从而降低了实现工业节能项目精确M&V所需的人力与成本门槛。