EnergyStar++：迈向更精确且更具解释性的建筑能耗基准评估
应用统计
2020-07-21 v2 机器学习
系统与控制
系统与控制
摘要
建筑能耗性能基准评估已通过 Energy Star Portfolio Manager 平台在美国和加拿大被广泛采用。建筑运营与能源管理专业人员长期以来使用简单的 1-100 分数来了解其建筑与同类建筑相比的情况。这一单一数字易于使用，但却由不准确的多元线性回归（MLR）模型生成。本文提出一种方法论，通过提高准确性并提供额外的模型输出处理来帮助解释建筑为何获得特定分数，从而增强现有 Energy Star 计算方法。我们提出并测试了两个新预测模型：带特征交互的多元线性回归（MLRi）和梯度提升树（GBT）。两个模型的平均准确性均优于基线 Energy Star 模型。对于六类建筑，三阶 MLRi 和 GBT 模型相比 MLR 模型分别实现了调整 R2 平均提高 4.9% 和 24.9%，以及归一化均方根误差（NRMSE）平均降低 7.0% 和 13.7%。更为重要的是，我们开发了一组技术，利用 SHAP 值来帮助确定哪些因素对分数影响最大。尤其是 SHAP 力图可视化，为非技术用户提供了影响分数的建筑各方面的易懂概览。该方法论在 2012 年商业建筑能耗调查（CBECS）（1,812 栋建筑）以及来自纽约市（11,131 栋建筑）和西雅图（2,073 栋建筑）能源披露计划的公共数据集上进行了测试。
引用
@article{arxiv.1910.14563,
title = {EnergyStar++: Towards more accurate and explanatory building energy benchmarking},
author = {Pandarasamy Arjunan and Kameshwar Poolla and Clayton Miller},
journal= {arXiv preprint arXiv:1910.14563},
year = {2020}
}