对于本次选题来说：a题评价类的，也需要爬取比较多的数据吧。b数据复杂，感觉c好做（适合小白！）

赛题B：空气源热泵供暖的温度预测

问题1 统计所给不同建筑的室内温度波动规律；绘制室内外温度相关性曲线， 分析热泵能耗与温差的定量关系；分析影响室内温度的影响因素。

1.1、初级思路

问题 1：温度波动规律与因素分析

统计分析

• • 描述性统计：均值、方差、极值、标准差等。
  • 可视化：时序折线图、箱线图展示波动特性。
  • 相关性分析：皮尔逊相关系数分析室内外温度、热泵功率与室内温度的关系。

热泵能耗与温差定量关系

• • 简单线性回归模型：能耗 = β0 + β1 × 温差 + ε。
  • 多元线性回归：引入其他因素，如建筑类型、时间段。

影响因素分析

• • 方差分析（ANOVA）：建筑类型对温度的影响。
  • 主成分分析（PCA）：筛选关键影响因子。

1.2、高级思路

问题 1：高级统计与因果分析

高级相关性分析

• • Granger因果检验：确定变量间的因果关系。
  • 偏相关分析：排除第三方变量的干扰。

复杂能耗建模

• • 多变量非线性回归（SVR - 支持向量回归）。
  • XGBoost/LGBM建模重要性排序，定量分析因素贡献。

问题2 建立建筑热力学模型，描述室内温度变化过程，利用数据辨识两栋建筑 的参数，并分析模型的性能。

2.1、初级思路

问题 2：建筑热力学模型

RC网络模型（热阻-热容模型）

• • 基本物理热传导方程：

  • 

  • 利用最小二乘法或梯度下降进行参数辨识。

模型性能评价

• • MSE、RMSE、R²等指标。
  • 与实际数据对比时序图。

2.2、高级思路

问题 2：高级物理建模

基于能量平衡的灰箱模型（Grey-box Modeling）

• • 利用ODE（常微分方程）+ Kalman滤波进行状态估计。

模型辨识优化

• • 贝叶斯估计或MCMC（马尔科夫链蒙特卡洛）进行参数反演，提高模型可信度。

问题3 基于公司采集的历史数据建立数学模型对未来4小时的室内温度进行预 测（即，基于当前t时刻的已知信息，预测t+4时刻的室内温度），与问题二的 数学模型做比较分析，并基于你的模型给出如下时刻的预测结果： （1）地点1，2025年03月15日11、12、13、14时； （2）地点2，2025年03月16日00、01、02、03时。

3.1、初级思路

问题 3：室内温度预测

经典时间序列模型

• • ARIMA、SARIMA：考虑季节性和趋势性。
  • 滞后变量选择：通过ACF/PACF确定滞后阶数。

机器学习基础模型

• • 线性回归、多项式回归。
  • 决策树、随机森林。

3.2、高级思路

问题 3：高级预测模型

深度学习模型

• • LSTM/GRU：专用于时间序列预测，适合长时依赖问题。
  • Transformer时间序列模型（如Informer、Time Series Transformer），精度更高。

集成学习模型

• • Stacking融合多个基础模型提升预测效果。

不确定性预测

• • 蒙特卡洛Dropout预测置信区间，提高决策稳健性。

问题4 （1）设计恒温控制策略（假定室温始终保持在20℃）；（2）设计分时控 温策略（如夜间升高目标温度），以最小化电费为目标，在满足温度舒适性约束 的要求下，建立优化模型。分别给出具体的温度控制方法，并分析温度控制效果、 能耗和电费情况

4.1、初级思路

问题 4：温度控制优化

恒温控制

• • PID 控制器模拟恒温策略。
  • 简单优化：固定温度设定维持 20℃。

分时控温优化

• • 线性规划求解电费最小化问题。
  • 约束条件：
    • 室温控制在 20±1℃。
    • 不同时间段的电价变化。

4.2、高级思路

问题 4：高级优化控制策略

1. 模型预测控制（MPC）
   • 在约束条件下优化未来的温度控制路径，实现动态最优控制。
   • 引入成本函数考虑能耗和舒适度的平衡。
2. 强化学习控制策略
   • 使用DQN、DDPG等算法，实现分时段最优策略学习。
   • 能自适应调整策略，应对不同外界环境变化。
3. 多目标优化模型
   • NSGA-II等遗传算法解决能耗最小和舒适性最大化的双目标优化。

总结对比

思路层级	方法复杂度	特点	难度
初级思路	低	快速上手、解释性强	容易
高级思路	高	精度高、实际工程可用	较难