《ENERGY AND BUILDINGS》：A scalable activity-based and physics-informed bottom-up model for residential electricity demand using open data
编辑推荐：
在能源转型背景下，精准模拟住宅用电负荷的时空异质性对于前瞻性研究至关重要。为解决现有模型的扩展性、计算效率和细节表征难以兼顾的问题，研究人员开发了一个完全基于开源数据构建、校准和验证的住宅电力需求模型。该模型融合了基于物理的机理分析和基于居民活动的行为模拟，并采用分层聚类方法选取代表性区域，从而实现了在大空间范围内高效、准确地重建聚合负荷曲线。该框架为能源转型相关研究提供了一个可扩展、可参数化且稳健的建模工具。
随着全球向低碳能源系统加速转型，住宅建筑的电气化（例如使用热泵、电动汽车充电）正深刻重塑着电力需求模式。然而，电力消费受到居住者行为、社会经济条件、建筑类型、气候条件等多种因素影响，在空间和时间上呈现出巨大的异质性。这种复杂性对电网，特别是配电网的规划与运行提出了严峻挑战：如何精准预测未来高分辨率的负荷曲线，以管理高峰需求、维持电网稳定？传统的大规模能源模型往往在计算效率、细节精度和可扩展性之间难以取得平衡，要么过于简化而失去局部真实性，要么因细节过多而计算负担过重。为了应对这些挑战，一项名为“A scalable activity-based and physics-informed bottom-up model for residential electricity demand using open data”的研究在《ENERGY AND BUILDINGS》上发表，旨在开发一个兼具行为真实性、物理机理性和计算高效性的新型建模框架。
为回答上述问题，研究人员构建了一个两阶段的自下而上建筑能源模型。该模型完全基于开源数据，其核心创新在于结合了基于物理的机理模型和基于居民活动的随机模型。首先，一个快速的静态模型利用建筑几何、能效证书、人口普查和气象等数据，在区域层面校准年度能耗。然后，一个动态小时级模型将年度能耗按终端用途（供暖、生活热水、烹饪、其他特定用电）进行时间分解。动态模型的核心包括：基于大规模居民活动日历生成的居住者行为时间表；采用一电阻一电容（1R1C）电学类比法的简化建筑热动力学模型；以及根据活动模式驱动的其他终端用电模型。为确保模型在大地理区域的可扩展性，研究采用分层聚类法（Ward连接准则，欧氏距离）从数千个区域中识别出一个最小但具有代表性的子集（即中心点区域）。通过对这些代表性区域进行模拟，并按其所属集群的总能耗进行加权，即可高效重建国家或区域级的聚合负荷曲线，而无需模拟整个建筑群。
5.1. 静态模型校准和验证结果
通过对200个区域的模拟，模型在重现年度电力消耗方面达到了R2为0.944的分数。关键参数（如设定点温度和能源使用系数）的分布围绕19°C和1.0集中，与法国的预期值一致。
5.2. 国家尺度结果
5.2.1. 聚类结果
分析发现，聚类数量在10到200之间时，能在模型准确性和计算效率之间取得最佳平衡。其中，20个聚类数量提供了最有利的权衡。单个区域在单核CPU上的平均计算时间为95.97秒。
5.2.2. 验证结果
归一化均方根误差（NRMSE，定义为均方根误差RMSE除以测量值的平均值）保持在15%以下。
5.2.3. 参数校准
对供暖启动和停止的室外温度阈值等关键参数进行参数研究后，NRMSE进一步降低了2.3%。
5.3. 区域尺度结果
将国家尺度优化的参数应用于区域尺度验证（每个区域使用其区域总数1%的区域进行重建）。结果显示，区域结果比国家尺度分析具有更大的变异性和更高的误差水平。一些南部地区（如普罗旺斯-阿尔卑斯-蓝色海岸大区、奥克西塔尼大区）在温暖月份显示出用电量显著增加，且NRMSE更高。这表明模型中未包含的制冷需求起着重要作用。此外，当前假期的建模可能低估了夏季家庭外出天数，也影响了准确性。
研究的结论和讨论部分强调了该框架的多重意义。首先，可扩展的聚类方法有效解决了自下而上建模中计算可行性与建筑群异质性精细表征之间的固有矛盾。验证结果表明，使用20个代表性区域即可实现12.4%的国家尺度NRMSE，这从实证上支持了国家建筑群的巨大异质性可以被有效压缩到数据驱动的区域子集中的假设。对于系统运营商（TSO和DSO）而言，该方法量化了精度与计算成本之间的权衡，使得在20个CPU核心上并行运行时模拟时间可控制在2分钟以内，这为需要快速迭代的远景情景分析（如评估电气化路径或气候变化影响）提供了可能。
其次，模型误差本身是一个强大的诊断工具。区域尺度分析显示，模型误差存在明显的地理结构。南部地区显著更高的NRMSE定量地证实了当前模型中未包含的制冷需求是一个不可忽略且占主导地位的负荷驱动因素。这为未来的模型改进指明了清晰方向。同时，夏季消费量的系统性高估（如法兰西岛大区）和低估（南部地区）也反映了当前假期模型未考虑人口跨区域季节性流动和社会经济因素的影响。
最后，该混合架构（基于物理机理和居民活动）的设计具有深远意义。它超越了描述性模拟，通过将需求锚定在物理和行为驱动因素上，使得对缺乏历史先例的情景进行事前评估成为可能，例如建筑围护结构改造（改变热阻Rth）或需求侧灵活性政策。此外，框架的当前简化（如1R1C热类比、静态热泵性能系数COP）是模块化组件，未来可被更高保真度的模块替换，以渐进式地增强物理真实感。虽然当前的活动计划分配是随机的，但该框架为未来纳入社会经济关联、改善居住者驱动的消费多样性表征奠定了基础。
总体而言，这项研究提出了一个完全基于开源数据的、可扩展的、小时级分辨率的住宅电力负荷模型。它成功地将物理机理与居民行为模拟相结合，并通过分层聚类实现了大规模高效计算。该模型不仅为战略层面的系统分析提供了可靠工具，其模块化设计和误差诊断能力也为未来纳入新兴终端用途（如电动汽车、空调）、深化行为与物理耦合，以及向更局部尺度的应用推进奠定了坚实基础。
