基于多尺度趋势感知特征与PSO优化CNN-BiLSTM-Attention模型的供暖负荷预测

《Applied Sciences》：Heating Load Forecasting Using Multi-Scale Trend-Aware Features and a PSO-Optimized CNN-BiLSTM-Attention Model

　　

摘要

加热负荷受气象条件、系统运行状态以及历史演变等多方面因素共同影响，具有非线性、时变性和局部波动性特征。为提升短期预测精度，本研究提出一种基于粒子群优化（PSO）的趋势-卷积神经网络（CNN）-双向长短期记忆网络（BiLSTM）-注意力机制的模型。该模型通过气象变量、运行参数、时间周期性、历史滞后值、滚动统计量、差分特征以及指数加权移动平均值来构建增强趋势的特征。卷积神经网络用于提取局部时间特征，双向长短期记忆网络能够捕捉双向时间依赖关系，而注意力机制则用于识别关键时间节点。粒子群优化进一步优化关键超参数。研究利用每小时供暖季运行数据构建了两个数据集，并将所提模型与BiLSTM、CNN-BiLSTM、CNN-BiLSTM-注意力机制模型以及趋势-CNN-BiLSTM-注意力机制模型进行对比。结果表明，所提模型在两个数据集上的性能均最为优异。对于数据集1，其平均绝对误差、均方根误差、平均绝对百分比误差以及决定系数分别为0.628 GJ、0.928 GJ、9.308%和0.851；对于数据集2，这些数值分别为0.3987 GJ、0.5954 GJ、10.32%和0.8709。这些结果表明，增强趋势的特征以及粒子群优化方法能够提升预测精度，从而为供暖系统的运行调度提供支持。