一种多模态融合的建筑能源系统冷负荷超短期预测方法

摘要

当前关于建筑能源系统冷负荷超短期预测的研究只局限于构建单一模态的输入特征集，在一定程度上限制了冷负荷预测精度。为解决该问题，提出一种多模态融合的建筑能源系统冷负荷超短期预测方法。首先，为解决输入特征集形式单一的问题，基于建筑能源系统的总冷负荷与各用户单元冷负荷的历史数据，分别构建了类序列、类图像和类视频模态的3种输入特征集；其次，根据3种模态输入特征的数据结构特点，有针对性地构建了3种深度学习预测模型，分别为双向门控循环单元、时空神经网络、三维卷积神经网络，得到3种模态输入下的初步总冷负荷预测结果；最后，提出一种基于Stacking集成学习的多模态融合方法，对3种模态输入下各预测模型的初步预测结果进行二次学习，得到最终的总冷负荷预测结果。根据美国亚利桑纳州立大学能源系统的实际负荷数据进行测试，仿真结果表明：所提出方法能够有效地提升冷负荷超短期预测精度。

关键词

多模态融合 / Stacking集成学习 / 冷负荷 / 超短期预测 / 建筑能源系统