OccuEMBED: Occupancy Extraction Merged with Building Energy Disaggregation for Occupant-Responsive Operation at Scale

📄 arXiv: 2505.05478v1 📥 PDF

作者: Yufei Zhang, Andrew Sonta

分类: eess.SP, cs.LG, eess.SY

发布日期: 2025-04-23

备注: 33 pages, 16 figures

期刊: Energy and Buildings (2025): 116610

DOI: 10.1016/j.enbuild.2025.116610

💡 一句话要点

OccuEMBED：融合占用提取与建筑能耗分解，实现大规模的居住者响应式建筑运行

🎯 匹配领域: 支柱四：生成式动作 (Generative Motion)

关键词: 建筑能耗 占用推断 能源分解 智能建筑 Kolmogorov-Arnold Networks 居住者响应 深度学习

📋 核心要点

  1. 现有建筑自动化系统难以将居住者信息有效整合到大规模集中式运营中，限制了以人为本的节能策略。
  2. OccuEMBED框架通过概率占用配置文件生成器和KAN支持的负载分解器，将占用模式和负载关系嵌入深度学习模型。
  3. 实验表明，OccuEMBED在占用推断方面优于基线方法，F1分数高于0.8，RMSE在0.1-0.2之间，并能集成到建筑负载监控平台。

📝 摘要（中文）

建筑能耗和排放占全球很大比例，高效运行至关重要。随着可再生能源渗透率提高，电网波动性增大，建筑必须提供灵活性以支持电网稳定。建筑自动化通过集中运行增强效率和灵活性，但必须优先考虑以居住者为中心的策略，以平衡能源和舒适度目标。然而，由于数据限制，将居住者信息纳入大规模集中式建筑运营仍然具有挑战性。我们研究了使用整栋建筑智能电表数据来推断占用情况和系统运行的潜力。将这些见解整合到数据驱动的建筑能源分析中，可以在更大范围内实现以居住者为中心的节能和灵活性。具体来说，我们提出了OccuEMBED，一个用于占用推断和系统级负载分析的统一框架。它结合了两个关键组件：概率占用配置文件生成器，以及由Kolmogorov-Arnold Networks (KAN) 支持的可控且可解释的负载分解器。这种设计将占用模式和负载-占用-天气关系知识嵌入到深度学习模型中。我们进行了全面的评估，以证明其在合成和真实世界数据集上相对于各种占用推断基线的有效性。OccuEMBED在离散占用推断中始终达到0.8以上的平均F1分数，在连续占用率中达到0.1-0.2的RMSE。我们进一步展示了OccuEMBED如何与建筑负载监控平台集成，以显示占用配置文件、分析系统级操作并为居住者响应式策略提供信息。我们的模型为扩展以居住者为中心的建筑管理系统奠定了坚实的基础，以应对不断变化的能源系统的挑战。

🔬 方法详解

问题定义：论文旨在解决如何利用整栋建筑的智能电表数据，同时推断建筑内的占用情况和系统级的能耗情况，从而实现以居住者为中心的建筑节能和灵活运行。现有方法通常依赖于昂贵的传感器部署或复杂的模型，难以大规模应用，并且缺乏对占用行为和能耗之间关系的有效建模。

核心思路：论文的核心思路是将占用推断和能耗分解两个任务进行融合，通过一个统一的框架OccuEMBED，利用深度学习模型学习占用模式、负载-占用-天气关系等知识，从而更准确地推断占用情况，并分析系统级的能耗行为。这种融合的方式可以提高模型的准确性和可解释性。

技术框架：OccuEMBED框架包含两个主要模块：1) 概率占用配置文件生成器：用于生成建筑内不同区域的占用概率分布，考虑了时间、天气等因素的影响。2) 基于Kolmogorov-Arnold Networks (KAN) 的可控负载分解器：用于将总能耗分解为不同系统（如照明、空调等）的能耗，并利用KAN网络学习负载、占用和天气之间的复杂关系。整个框架通过联合训练的方式，优化占用推断和能耗分解的性能。

关键创新：论文的关键创新在于将占用推断和能耗分解两个任务进行融合，并利用Kolmogorov-Arnold Networks (KAN) 这种新型神经网络结构来建模负载、占用和天气之间的复杂关系。KAN相比于传统的多层感知机（MLP），具有更强的表达能力和可解释性，能够更好地捕捉非线性关系。

关键设计：在概率占用配置文件生成器中，使用了概率模型来表示占用概率分布，并考虑了时间、天气等因素的影响。在基于KAN的负载分解器中，使用了可控的分解方式，允许用户指定不同系统的能耗比例。损失函数包括占用推断的交叉熵损失和能耗分解的均方误差损失，通过联合训练的方式优化整个框架的性能。

📊 实验亮点

实验结果表明，OccuEMBED在合成和真实世界数据集上均取得了优异的性能。在离散占用推断任务中，OccuEMBED的平均F1分数始终高于0.8，优于其他基线方法。在连续占用率估计任务中，OccuEMBED的RMSE在0.1-0.2之间，也明显低于基线方法。此外，论文还展示了OccuEMBED如何与建筑负载监控平台集成，以显示占用配置文件、分析系统级操作并为居住者响应式策略提供信息。

🎯 应用场景

该研究成果可应用于智能建筑管理系统，实现以居住者为中心的节能控制和灵活运行。通过准确推断建筑内的占用情况和系统能耗，可以优化空调、照明等设备的运行策略，提高能源利用效率，降低碳排放。此外，该技术还可以用于电网需求侧响应，根据建筑内的占用情况和能耗需求，调整建筑的用电行为，支持电网的稳定运行。

📄 摘要（原文）

Buildings account for a significant share of global energy consumption and emissions, making it critical to operate them efficiently. As electricity grids become more volatile with renewable penetration, buildings must provide flexibility to support grid stability. Building automation plays a key role in enhancing efficiency and flexibility via centralized operations, but it must prioritize occupant-centric strategies to balance energy and comfort targets. However, incorporating occupant information into large-scale, centralized building operations remains challenging due to data limitations. We investigate the potential of using whole-building smart meter data to infer both occupancy and system operations. Integrating these insights into data-driven building energy analysis allows more occupant-centric energy-saving and flexibility at scale. Specifically, we propose OccuEMBED, a unified framework for occupancy inference and system-level load analysis. It combines two key components: a probabilistic occupancy profile generator, and a controllable and interpretable load disaggregator supported by Kolmogorov-Arnold Networks (KAN). This design embeds knowledge of occupancy patterns and load-occupancy-weather relationships into deep learning models. We conducted comprehensive evaluations to demonstrate its effectiveness across synthetic and real-world datasets compared to various occupancy inference baselines. OccuEMBED always achieved average F1 scores above 0.8 in discrete occupancy inference and RMSE within 0.1-0.2 for continuous occupancy ratios. We further demonstrate how OccuEMBED integrates with building load monitoring platforms to display occupancy profiles, analyze system-level operations, and inform occupant-responsive strategies. Our model lays a robust foundation in scaling occupant-centric building management systems to meet the challenges of an evolving energy system.