基于基线-形态分解的区域供冷系统日前冷却负荷预测

《Buildings》：Day-Ahead Cooling Load Forecasting for District Cooling System Based on Baseline-Morphology Decomposition

　　

在全球气候变化与能源结构转型背景下，区域能源系统因其高效性与可持续性受到广泛关注。精确的负荷预测对提升区域供冷系统运行效率至关重要。然而，作为典型动态时变系统，区域能源站建筑群负荷受多尺度特征影响，传统负荷预测模型采用单尺度分析而未针对性建模多尺度特性，导致数据驱动模型在动态时变场景下泛化能力不足。研究人员提出一种基于基线-形态分解的多步预测模型结构，以应对多尺度特征耦合问题。通过将负荷分解为基线分量与形态分量，分别构建反向传播神经网络(BP)与K-means聚类-决策树(DT)分类预测模型，克服传统方法难以捕捉多尺度特征的挑战。结果表明，在2024年8月至11月四个月测试期内，所提模型在数据集代表的峰值与过渡供冷工况下MAPE为8.91%至12.57%。相较于直接结构、递归结构与多输入多输出(MIMO)结构，误差降低1.49%至19.62%，同时在训练效率上具备显著优势。

研究背景方面，全球气候变化与能源结构转型使低碳高效成为能源系统发展核心目标，区域供冷系统在新建筑群中渐成主流，但其经济运行高度依赖冷却负荷曲线预测精度。现有负荷预测分机理模型与数据驱动模型两类：机理模型泛化强但难捕捉复杂建筑群动态模式；数据驱动模型随建筑自动化积累海量运行数据成为研究主流，但传统多步预测结构（递归、直接、MIMO）分别存在误差累积、计算复杂、训练成本高等局限，且基于CEEMDAN、VMD等频率分解的方法缺乏物理意义。为此研究人员开展本研究，提出基线-形态分解框架，旨在分离负荷多尺度特征并匹配差异化建模，兼顾精度与效率。论文发表于《Buildings》。

关键技术方法上，研究人员以深圳前海某区域能源站2023年4月至2024年7月为训练集、2024年8月至11月为测试集的两年小时级负荷与气象数据为样本队列，依次采用基线-形态分解（日均值作基线、归一化得24小时形态因子）、随机森林(RF)特征重要性与Pearson相关系数联合特征工程、工作日/假日分离的BP基线预测、K-means（k=6）形态聚类与决策树(DT)形态分类、基线乘形态还原24小时负荷五类方法。

研究结果部分，2 方法论中研究人员建立分解框架，定义基线分量为当日24小时冷负荷算术均值，形态分量为各时点负荷因子序列，破除传统单模型局限。3 案例研究与结果中，3.1 数据集描述给出深圳前海2700万平米建筑群小时级瞬时功率与现场气象站数据；3.2 基线-形态分解结果显示基线随日均温呈季节上行、工作日与假日形态因子峰值差异显著；3.3 特征工程结果表明7日前与1日前基线负荷及日类型特征重要性最高，气象因子工作日主导、历史负荷假日主导；3.4 基线负荷预测中BP分建工作日为MAPE 2.45%~4.10%、假日略高，8月因并网调整致MAE达1526.00 kW；3.5 形态聚类确定最优簇数6，峰值季工作日聚簇4、周末聚簇5集中，过渡季分散；3.6 形态预测DT测试集总精度85.96%，各类70%~90%；3.7 多步预测8—9月MAPE 8.91%~9.02%、10月升至12.57%、11月10.84%，过渡季降温与国庆调休致误差增大。

讨论部分研究人员将所提模型与RF直接、BP直接、BP递归、Att-LSTM、CNN+Seq2seq五基准对比，9月测试中本模型MAPE 9.02%、RMSE 3248.32、CV 8.01%，优于CNN+Seq2seq（MAPE 10.51%）且训练仅35秒远低其5分17秒，证明分解简化在精度与效率平衡上的优势；并指出框架不依赖特定气候区，跨区应用需本地重训。结论部分翻译如下：在全球气候变化与能源转型背景下，区域供冷系统运行效率依赖精确冷负荷预测，但区域冷负荷具多尺度耦合特征，传统单模型在动态场景精度低、训练慢、泛化弱。研究人员提出基于基线-形态分解的多步预测架构，分解负荷为基线与形态分量独立建模，基线用BP分工作日/假日、形态用K-means-DT。深圳前海实测表明：四个月测试MAPE稳定于8.91%~12.57%；较RF直接(28.64%)、BP递归(21.00%)、Att-LSTM(12.54%)更优，较CNN+Seq2seq(10.51%)降1.49%；训练仅35秒显著低于深度学习。该分解为处理区域冷负荷多尺度耦合提供新建模路径，对区域能源系统冷负荷预测具参考价值。