基于因果关系保持的建筑冷却系统短期冷负荷预测及在线修正方法

《International Journal of Refrigeration》：Causality-preserving short-term cooling-load forecasting with online correction for building cooling systems

　　

• •
  因果滚动分解方法可避免在制冷负荷预测中出现提前信息泄露问题。
• •
  基于频率特性的预测方法能更精准地捕捉负荷峰值及快速变化趋势。
• •
  通过在线修正，两种测试案例的均方根误差分别降低了21.1%和26.2%。
• •
  端到端的在线计算流程，每一步预测时间均在92毫秒以内。

引言

随着气候变化加剧和全球能源短缺问题日益严重，建筑领域的能源消耗占比持续上升（Chau等人，2015）。根据国际能源署的数据，建筑约占全球能源消耗的30%至40%，其中空调与制冷系统是建筑能源消耗的主要部分，而建筑端的能源使用量和碳排放量也在不断增长（Luo等人，2017；Ohene等人，2022）。此外，极端高温事件愈发频繁，进一步加大了负荷的峰谷差值与电力成本，这使得准确进行短期制冷负荷预测变得十分紧迫，此类预测有助于合理规划制冷机组运行、实施需求响应措施以及评估碳减排效果（Hu等人，2021；Shi等人，2024；Xie等人，2020；Yu等人，2024）。因此，提升建筑制冷负荷预测的精度不仅关乎预测准确性，还有助于减少不必要的制冷能力配置、提高需求侧灵活性，并推动建筑能源的低碳化运行。

建筑制冷负荷预测的方法经历了从基于物理模型的方法，到统计模型，再到现代人工智能模型的发展历程（Wang等人，2024）。基于物理模型的方法依赖于详细的建筑参数、设备信息、人员占用情况，以及TRNSYS、EnergyPlus、Designer’s Simulation Toolkit等仿真工具，但这些方法在动态运行条件下实用性较差（He等人，2023；Li和Wen，2014）。统计模型虽然简单易懂，但由于存在线性假设，且对非平稳负荷模式的适应能力较弱（Yang等人，2024a；Yang等人，2024b；Zhou等人，2024）。机器学习方法则能利用历史运行数据实现更强的非线性映射能力（Olu-Ajayi等人，2022；Palchak等人，2013；Qiao等人，2021；Wu等人，2023）。不过，这类模型仍需依赖人工特征工程，且在捕捉制冷负荷序列中的时变特征与长程依赖关系方面表现有限。

随着深度学习技术的发展，基于神经网络的模型被广泛用于负荷预测，其中包括循环神经网络及其衍生模型，如长短期记忆网络（LSTM）、门控循环单元（GRU）、双向LSTM（BiLSTM），以及卷积序列模型，比如时间卷积网络（TCN）。Wang等人（2019）、Wang等人（2020）将LSTM应用于短期建筑负荷预测，证明了其捕捉时间依赖关系的能力。Cui（2022）指出，与传统LSTM相比，BiLSTM能更好地捕捉双向上下文信息及局部转折点特征。Sajjad等人（2020）提出了一种CNN-GRU混合模型，其中CNN负责提取局部时空特征，GRU用于建模时间依赖关系，从而提升了短期预测的精度。Song等人（2021）将CNN与LSTM结合用于热负荷预测，发现这种混合结构在面对复杂干扰时具备更强的稳定性。Bai等人（2018）系统比较了卷积网络与循环网络在序列任务上的表现，指出TCN在内存效率、训练稳定性以及推理速度方面具有优势。Tang等人（2022）基于TCN设计了包含通道注意力与时序注意力的双注意力机制，用以突出关键气象因素及其时间背景，进而提升了跨数据集的泛化能力。Yu等人（2023）将多源气象数据整合到多尺度时间序列预测框架中，证明了该框架在不同气候区的建筑中都具有较强的泛化性能。近期还有研究探索了多模态机制与注意力机制，以进一步提升预测的稳健性（Yan等人，2024；Zhang等人，2021b）。尽管如此，单一的深度学习模型仍难以同时表征非平稳制冷负荷序列中的趋势主导成分与波动主导成分。

为应对负荷信号的非平稳性、多频特性以及噪声干扰，基于分解的混合预测策略越来越受到重视。信号分解方法能够将原始负荷序列拆分为具有不同频率特性的多个分量，从而降低耦合趋势与异质噪声的影响（Chou等人，2022；Huang等人，2024）。变分模态分解（VMD）、离散小波变换以及集成经验模态分解等方法已被广泛应用于建筑与电力负荷预测领域（Yang等人，2022；Zhang等人，2021a）。Gao等人（2021）提出了一种改进版的CEEMDAN方法，用于非线性非平稳制冷负荷预测，该方法能够保留高度相关的分量，并通过基于马尔可夫链的修正方法降低预测不确定性。Zhang等人（2022）将VMD与堆叠集成学习相结合，提升了实时短期电力负荷预测的精度。在建筑与城市能源使用场景中，VMD也与BiLSTM、GRU或注意力机制结合使用，以更好地预测负荷峰值与高频干扰现象（Zhenglei等人，2024）。还有研究将VMD与XGBoost、CatBoost、LightGBM等基于树的模型，或是Transformer/LSTM架构相结合，以此提升模型的非线性拟合能力与泛化性能（Zhao等人，2024）。

虽然信号分解与深度学习的结合通过减轻非平稳性与噪声干扰，提升了建筑制冷负荷预测的精度，但现有的基于分解的预测框架仍存在三方面的局限性。首先，高频分量往往包含与人员占用变化、设备切换以及短期干扰相关的关键信息，但目前这些分量通常采用与低频分量相同的神经网络结构与超参数进行建模，这就无法充分利用各频段的特性。其次，许多研究仍采用先离线分解再预测的流程，即在整个时间序列上开展分解操作，这可能会引入提前信息。第三，大多数框架仍属于开环预测器，很少结合实时运行数据开展在线修正，因此在人员占用模式或气象条件发生变化时，预测的稳健性较差（Liu等人，2020；Lu等人，2022）。

为解决上述问题，本研究提出了一种兼顾因果关系的分解-预测-在线修正（CDPOC）框架，用于建筑制冷系统的短期负荷预测。该框架旨在减少提前信息泄露，提升负荷峰值预测的精度，并增强在运行条件变化时的在线适应能力。

• 1.
  该框架专为建筑制冷系统的短期制冷负荷预测设计了严格的因果滚动分解策略。与离线的全序列分解不同，该策略仅使用每个预测步骤中可获取的历史数据，从而避免了提前信息泄露的问题。
• 2.
  该框架设计了基于频率特性的预测结构，能够分别对缓慢变化的制冷需求趋势与快速的负荷扰动进行建模，进而提升对负荷峰值及负荷变化期的预测精度。
• 3.
  该框架引入了一种自适应残差粒子滤波器，可用于整合选定的运行数据，并对先前的预测结果进行在线修正。这提升了在运行条件变化时，基于实测数据的在线预测的精度与适应性。

章节要点

方法论

如图1所示，该框架由三个模块组成。在每个时间步t，滚动分解模块仅使用可获取的历史制冷负荷序列来提取低频与高频分量。随后，带特定频率特性的预测模块会将这些预测得到的分量组合起来，生成初步预测结果。最后，IA-RPF模块会利用选定运行变量中的辅助观测数据，估算出残差修正值。为简化表述，t表示

数据来源

本研究基于新加坡某办公楼的真实运行数据构建了两个预测案例，用于评估所提出的框架在不同时间分辨率与运行条件下的表现，相关内容总结于表1中。需要说明的是，案例A与案例B并非严格匹配的实验案例，因为二者在时间跨度、采样分辨率以及运行条件方面存在差异，其作用在于验证所提方法在不同条件下的有效性。

结论

本研究提出了一种兼具因果关系保持功能的建筑制冷系统短期制冷负荷预测框架，并加入了在线残差修正功能。该框架通过仅使用可获取的历史数据开展滚动分解，避免了离线全序列分解可能带来的提前信息泄露问题。其基于频率特性的预测结构能够同时捕捉缓慢变化的制冷需求趋势与快速的负荷扰动，而在线残差修正功能则进一步提升了预测精度。

写作过程中人工智能辅助技术的声明

在撰写本文的过程中，作者们使用了ChatGPT来优化语句表达与语言表述。在使用该工具之后，作者们还对内容进行了必要的审核与修改，对文章的内容完全负责。

CRediT作者贡献说明

李东东：论文撰写——审阅与编辑、可视化处理、研究指导、软件工具使用、方法设计。王一哲：论文撰写——初稿撰写、软件工具使用、方法设计、研究调查、数据整理、概念构思。沈云伟：论文撰写——初稿撰写、研究指导、资源协调、资金筹集、概念构思。万灿：论文撰写——审阅与编辑、资源协调、资金筹集。林顺福：可视化处理、结果验证。周博：结果验证、研究指导、软件工具使用。

利益冲突声明

作者声明不存在任何可能影响本文研究成果的已知财务利益关联或个人关系。

Dongdong Li|Yizhe Wang|Yunwei Shen|Can Wan|Shunfu Lin|Bo Zhou