Energy and Buildings ( IF 6.6 ) Pub Date : 2020-12-11 , DOI: 10.1016/j.enbuild.2020.110658 Yakai Lu , Zhe Tian , Ruoyu Zhou , Wenjing Liu
准确可靠的多步提前热负荷预测通常被认为是建筑能源系统的模型预测控制和多能量分配的基础。未来负荷时间序列预测的常规方法依赖于迭代式一步一步预测器或直接预测器,而后者忽略了延时建筑能源系统中连续载荷之间的时间依赖性。因此,本研究提出了一种时间注意力编码器-解码器网络(TA-EDN)模型,该模型通过以下三个功能模块提高多步提前热负荷预测的准确性:长短期记忆(LSTM)网络,处理输入和输出变量之间的内在时间关系,编码器-解码器网络(EDN),以实现多输入多输出建模,注意力机制,提高长序列变量的处理能力。选择实际的区域能源系统以使用建议的模型作为验证实验来进行24小时超前预测。结果表明,TA-EDN模型显着提高了未来热负荷时间序列的预测准确性,与EDN模型的9.1%,LSTM-IS的12.4%相比,平均绝对百分比误差为7.4% LSTM与迭代策略结合的模型)和LSTM-DS的12.7%(LSTM与直接策略结合的模型)。此外,与多步提前预测的理想基准相比,提出的TA-EDN模型在低负荷或大波动负荷的预测中仍有改进的空间。这是为了提高处理长序列变量的能力。选择实际的区域能源系统以使用建议的模型作为验证实验来进行24小时超前预测。结果表明,TA-EDN模型显着提高了未来热负荷时间序列的预测准确性,与EDN模型的9.1%,LSTM-IS的12.4%相比,平均绝对百分比误差为7.4% LSTM与迭代策略结合的模型)和LSTM-DS的12.7%(LSTM与直接策略结合的模型)。此外,与多步提前预测的理想基准相比,所提出的TA-EDN模型在低负荷或大波动负荷的预测中还有改进的余地。这是为了提高处理长序列变量的能力。选择实际的区域能源系统以使用建议的模型作为验证实验来进行24小时超前预测。结果表明,TA-EDN模型显着提高了未来热负荷时间序列的预测准确性,与EDN模型的9.1%,LSTM-IS的12.4%相比,平均绝对百分比误差为7.4% LSTM与迭代策略结合的模型)和LSTM-DS的12.7%(LSTM与直接策略结合的模型)。此外,与多步提前预测的理想基准相比,所提出的TA-EDN模型在低负荷或大波动负荷的预测中还有改进的余地。选择实际的区域能源系统以使用建议的模型作为验证实验来进行24小时超前预测。结果表明,TA-EDN模型显着提高了未来热负荷时间序列的预测准确性,与EDN模型的9.1%,LSTM-IS的12.4%相比,平均绝对百分比误差为7.4% LSTM与迭代策略结合的模型)和LSTM-DS的12.7%(LSTM与直接策略结合的模型)。此外,与多步提前预测的理想基准相比,所提出的TA-EDN模型在低负荷或大波动负荷的预测中还有改进的余地。选择实际的区域能源系统以使用建议的模型作为验证实验来进行24小时超前预测。结果表明,TA-EDN模型显着提高了未来热负荷时间序列的预测准确性,与EDN模型的9.1%,LSTM-IS的12.4%相比,平均绝对百分比误差为7.4% LSTM与迭代策略结合的模型)和LSTM-DS的12.7%(LSTM与直接策略结合的模型)。此外,与多步提前预测的理想基准相比,提出的TA-EDN模型在低负荷或大波动负荷的预测中仍有改进的空间。与EDN模型的9.1%,LSTM-IS的12.4%(将LSTM与迭代策略结合的模型)和LSTM-DS(将LSTM与直接策略结合的模型)的平均绝对百分比误差分别为7.4%和12.4% )。此外,与多步提前预测的理想基准相比,所提出的TA-EDN模型在低负荷或大波动负荷的预测中还有改进的余地。与EDN模型的9.1%,LSTM-IS的12.4%(将LSTM与迭代策略结合在一起的模型)和LSTM-DS的12.7%(与LSTM和直接策略结合的模型)相比,平均绝对百分比误差为7.4% )。此外,与多步提前预测的理想基准相比,所提出的TA-EDN模型在低负荷或大波动负荷的预测中还有改进的余地。
"点击查看英文标题和摘要"