面向多功能建筑的NMF-KFRD滚动分解冷负荷预测方法

《Sustainability》：A Cooling Load Prediction Method for Multifunctional Buildings Based on NMF-Kalman Filter Rolling Decomposition

　　**摘要**冷负荷预测对暖通空调（HVAC）系统高效运行和建筑能源管理至关重要。在多功能建筑中，不同功能区域之间异构的负荷特性增加了总冷负荷预测的复杂度。虽然分解-预测方法可以缓解这一问题，但传统的完整序列分解可能会引入未来信息，导致性能评估过于乐观；而严格因果的滚动分解往往存在分解结果不稳定的问题。本研究提出了一种基于非负矩阵分解（NMF）和卡尔曼滤波的滚动分解方法（NMF-KFRD）。通过约束NMF提取功能区域负荷模板，同时构建滚动分解框架，利用卡尔曼滤波递归估计贡献权重，以提高分解的连续性和稳定性。随后对分解后的功能区域负荷建立预测模型，并基于其预测值重建总冷负荷。本研究以中国广州某多功能建筑的小时级冷负荷数据进行了案例分析。采用反向传播神经网络（BP），NMF-KFRD取得了均方根误差（RMSE）227.49 kW、平均绝对误差（MAE）127.83 kW、平均绝对百分比误差（MAPE）9.59%的性能，相比直接预测，上述指标分别降低了23.2%、31.5%和41.8%；相比传统滚动分解预测，分别降低了13.9%、20.0%和22.0%。总体而言，NMF-KFRD在避免未来信息泄漏的同时，提高了预测精度并保持了分解稳定性，为暖通空调系统优化提供了参考。