能耗监测回答“发生了什么”，能耗预测回答“将要发生什么”。对物业与能源管理者，预测的价值是具体的：下年度能源预算需要逐月预测值做底稿，冬夏季的需量管理需要提前看到高峰日，设备故障往往先表现为能耗曲线偏离预期。本文沿实践路径展开：先用度日数回归拿到八成精度，再叠加业务变量，最后评估机器学习是否值得上，并给出数据准备与落地场景的建议。
一是预算编制。按月能耗预测可以直接作为下年度能源预算的底稿，成熟项目的月度误差通常可以控制在5%到10%区间，比拍脑袋分摊可靠得多。二是需量管理。提前预知未来时段的最大需量，就可以在峰值到来前调整大功率设备的启停顺序，避免需量电费越线。三是异常预警。当实际能耗显著偏离预测曲线，偏离本身就是设备故障或跑冒滴漏的报警信号。四是供暖与供冷调度。未来三日的负荷预测可以指导锅炉台数与冷机组合的排班，避免大马拉小车。精度要求是分层的：月度预算允许5%到10%的误差，日级调度需要3%到5%，设备级控制则需要更高频更细的模型。入门第一课，是先用最简单的模型拿到大部分收益。
建筑能耗的波动大头来自天气，而天气对能耗的影响可以浓缩成一个数：度日数。供暖度日数（HDD）是日平均温度低于基准温度的差值累计，住宅常取18摄氏度，公共建筑可按实际运行温度取值；供冷度日数（CDD）同理。把逐月能耗对当月度日数做一元线性回归，就得到预测的第一条公式：月能耗等于固定项加度日数系数乘以度日数。这个模型在以空调通风能耗为主的公共建筑上，R²通常能达到0.8以上，八成的月度波动已被解释。系数的工程含义也很直接：度日数系数就是每增加一度度日数、整个供暖系统的能耗增量，与系统效率的关系一目了然。一个简化的例子：某办公楼过去二十四个月的供暖能耗对供暖度日数回归，得到固定项每月约1.8万千瓦时、度日数系数约每度日320千瓦时，R²为0.86。把这个系数乘以气象部门发布的下月预测度日数，加回固定项，就是下月供暖能耗的预测值；系数本身也提示了改造方向——若同类建筑的系数明显更低，说明输配系统或锅炉效率存在差距。具体建模步骤可参考基线回归模型：改造验证与能耗预测共用同一套度日数建模方法，两者的数学结构完全同源，只是一个回头看、一个向前看。
纯天气模型在酒店、商场这类客流波动大的建筑上会失灵：节假日、会展活动、入住率的起伏常常贡献两到三成的能耗方差。第二层模型在度日数之外加入业务变量：客流量或入住率、营业额或产量、日历特征（工作日与周末、法定节假日）。变量不是越多越好，每加入一个变量都要看它对拟合优度的边际贡献，以及系数符号是否符合工程常识——例如入住率系数为负，多半是数据有问题，而不是发现了免费节能。实际经验是变量控制在三到五个，用一到两年的月度数据或三个月以上的日级数据拟合，就足以支撑3%到5%的日预测精度。
机器学习模型（梯度提升树、长短期记忆网络等）的优势在于自动捕捉非线性与变量交互，例如湿度对冷负荷的放大效应、连续高温的累积效应。但收益有明确的前提：一是数据量，日级预测至少需要一到两年历史数据，想做小时级预测需要更长历史与充分的特征覆盖；二是特征工程，模型效果八成取决于输入特征（天气、日历、业务、设备状态），算法调优只占两成；三是维护成本，模型上线后的漂移监测、定期重训与失效回退都需要专人负责。评估预测模型时，用平均绝对百分比误差（MAPE）横向比较即可：月度预测做到5%到10%是及格线，3%到5%属于良好，日级预测在节假日之外做到5%以内就非常扎实。判断标准很朴素：如果第二层回归的误差已经满足业务需求，就不要为了技术而技术。只有在冷站群控、需求响应这类控制级应用，或多建筑组合预测场景，机器学习的额外精度才值得它的复杂度。
同一个模型，喂给它高质量的逐时数据还是断断续续的日汇总，效果天差地别。数据侧有三点硬要求：一是时间粒度，月级预测用月度数据即可，日级预测需要逐日数据，控制级预测最好有逐时甚至十五分钟级数据，这些数据的归集从现场传感器与网关就开始，能耗网关逐日逐时负荷数据的自动归集与断网续传是这条链路的枢纽，而室外温度原始数据可由温湿度变送器部署于室外气象点为度日数计算提供一手温度数据。二是数据连续性，断传与缺测必须先做插补或标注再进模型，缺失超过三到五天的月份建议整月剔除，具体处理方法见能耗数据清洗实战：缺失值补全与异常值识别是预测建模的前置工序。三是口径一致，能耗、度日数、业务量的统计边界必须对齐，分项改造引起的计量范围变化要记入口径变更台账。
预测值本身不产生价值，行动才产生。三个可以立刻落地的场景：一是需量预警，预测时段最大需量接近合同需量时，提前调整大功率设备启停窗口，把峰值削下去。二是能耗异常自动报警，用预测值加减合理带宽作为动态阈值，实际值越界即触发排查工单，误报率比固定阈值报警低一个数量级。三是供暖与冷站调度，未来三日负荷预测指导锅炉台数与冷机组合的排班。落地顺序的建议是：先做天气回归拿到基线预测，再叠加业务变量提升精度，最后评估机器学习是否真有必要。整条“监测、预测、优化”的闭环体系可参考建筑节能实战手册：从能耗监测到优化的完整闭环，预测正是其中承前启后的一环。
