摘要
针对数据驱动的暖通空调（HVAC）模型在多目标联合预测、长时域预测精度以及不确定性量化方面的不足，本研究提出了一种异构深度集成框架。通过协同仿真技术，构建了一个典型变风量（VAV）–再热系统的多运行状态数据集。采用运行状态级划分策略，将输入特征严格分为系统历史状态、内部负荷以及外部控制指令三类。在此基础上，该框架整合了长短期记忆（LSTM）网络、门控循环单元（GRU）以及时间卷积网络（TCN）的优势。通过逆方差加权机制，可实现包括系统总功率、五个区域温度以及五个区域二氧化碳浓度在内的11维目标的同步精准预测。同时，利用集成模型间的预测差异来量化认知不确定性，并引入方差扫描机制以校准预测置信区间。实验结果表明，在6小时的预测时域内，与物理基准模型相比，该模型在功率、温度和二氧化碳浓度方面的绝对误差分别降低了80.17%、63–72%和75–80.62%。在独立测试集上，经过校准的预测区间的实际覆盖率接近90%，呈现出一种自适应变化特性：在稳态时区间会收缩，而在瞬态时则会扩大。所提出的异构集成框架具备更出色的预测精度和长时域预测稳定性，可为建筑的多目标最优运行及稳健控制提供可靠的模型支持。
