博文

[转载]【论文推荐】基于TCN-LSTM-Attention的建筑热动态与能耗预测

已有 879 次阅读 2026-1-4 10:19 |个人分类:论文推荐|系统分类:博客资讯|文章来源:转载

编辑荐语

本期将给大家分享"基于TCN-LSTM-Attention的建筑热动态与能耗预测(Thermal dynamics and energy consumption prediction of buildings based on TCN-LSTM-Attention)". 如您对本期相关内容有好的理解与建议, 欢迎评论区留言.

本文针对建筑暖通空调系统热动态与能耗预测中普遍存在的多变量耦合、强非线性及预测精度不足等难题, 创新性地提出了一种融合时序卷积网络、长短期记忆网络与注意力机制的TCN-LSTM-Attention组合预测模型. 文章从建筑节能与智慧运维的实际需求出发, 通过结合TCN的短期特征提取能力、LSTM的长时依赖建模优势以及注意力机制的关键信息动态聚焦, 构建了能够同时预测HVAC能耗、室内温度及热舒适指标PMV的多任务学习框架. 为进一步提升模型性能, 引入改进粒子群算法对网络超参数进行自动寻优, 有效避免了局部最优并提升了预测稳定性. 研究采用EnergyPlus构建高保真建筑仿真模型生成多工况运行数据, 并在河北省某实际办公建筑数据上进行验证. 实验表明, 所提模型在MAE、MAPE、RMSE等多项指标上均优于现有主流方法, 且在建筑围护结构参数变化时展现出良好的泛化能力. 该研究为建筑能源系统的精细化建模与预测控制提供了可落地的AI解决方案, 对推动智慧建筑与“双碳”目标下的能效提升具有重要理论与工程价值.

本研究方法设计严谨、验证充分, 既体现了多模态时序预测模型的前沿性, 又紧密结合了建筑能源系统的工程实际, 具备较强的可解释性与泛化潜力. 推荐给从事建筑节能、暖通空调智能化、时序预测与能源管理系统研究的读者阅读参考.

论文介绍

基于TCN-LSTM-Attention的建筑热动态与能耗预测

Thermal dynamics and energy consumption prediction of buildings based on TCN-LSTM-Attention

付伟豪, 赵千川†

机构: 清华大学自动化系和北京信息科学与技术国家研究中心

引用: 付伟豪, 赵千川. 基于TCN-LSTM-Attention的建筑热动态与能耗预测. 控制理论与应用, 2025, 42(11): 2125 – 2135

DOI: 10.7641/CTA.2025.50131

全文链接:

http://jcta.alljournals.ac.cn/cta_cn/ch/reader/view_abstract.aspx?file_no=CCTA250131&flag=1

摘要

基于暖通空调系统热动态与能耗的多变量耦合特点及数据预测精度不足的问题, 本文提出一种融合时间卷积–长短期记忆–注意力机制(TCN-LSTM-Attention)的融合预测模型. 首先, 为了能够更加好捕获建筑运行数据中的短期与长期依赖, 建立了TCN-LSTM-Attention建筑热动态与能耗预测模型来预测HVAC能耗、室内温度、PMV; 采用改进粒子群算法(IPSO) 优化预测模型超参数, 降低模型预测误差, 并对模型逼近能力进行分析; 其次, 使用EnergyPlus搭建建筑仿真模型并进行验证; 以河北省某办公建筑运行数据进行预测模型仿真验证, 实验表明本模型在对比算法中有较好的预测精度和预测稳定性, 并且验证了算法在建筑围护结构参数改变时的泛化性.

引言

随着建筑环境对舒适度和节能要求的不断提高, 暖通空调系统逐渐向智能化、精细化方向发展. 然而, 系统结构的复杂化以及多种运行工况的相互影响, 使得暖通空调系统的热动态特性难以准确把握, 能耗预测也有一定难度. 在实际运行中, 系统常常因为各种因素偏离最佳运行状态, 导致能源浪费、设备损耗加剧, 甚至影响室内环境质量, 给用户带来不便和经济损失[1]. 建筑能耗占全球年度总能源消耗约40%, 其中供暖、通风与空调(heating ventilation air conditioning, HVAC)系统的能耗占比超过建筑总能耗约40%[2]. 对暖通空调系统的热动态与能耗进行实时、精确的预测在“双碳战略”的实施下显得更加重要. 通过准确预测热动态和能耗, 能够提前发现潜在的运行问题, 找出影响系统性能的关键因素, 进而优化控制策略, 提高系统的运行效率, 降低能耗, 对于提升建筑能源管理水平、实现节能减排目标具有极为重要的现实意义.

目前在暖通空调系统领域, 直接获取建筑全面信息以对建筑进行预测较为困难, 对建筑进行建模再基于模型产生的数据进行预测是目前使用较多的研究方法. 建筑建模主要分为白箱模型、黑箱模型和灰箱模型. 白箱模型通过分析HVAC系统的物理特性, 基于动量守恒、热量传递等物理过程建立数学方程, 对系统动态行为进行数学建模. Nassif等[3]对风机与冷热盘管进行建模. Lei等[4]建立了冷机模型并对其中压缩机与冷凝器等部件分别建模. 黑箱模型基于设备的历史运行数据学习内在关系. Chen等[5]使用模糊自适应网络对热舒适性建模. Zlatanovic等[6]使用高斯概率密度函数对风机能耗建模. 灰箱模型使用简化物理关系与历史数据进行设备参数估计进行建模. Hariharan等[7]利用有限传感器数据与单纯形数值方法对参数进行估计. Platt等[8]建立三阶热参数和二阶湿阻的模型, 使用粒子群算法对模型参数进行识别. 在进行建筑能耗预测时, 使用相关神经网络预测算法时, 曾国治等[9]提出了CNN-RNN模型预测建筑能耗, 提升了预测效率, 虽然取得较好预测精度, 但由于数据不足等原因使得在测试集上表现不佳, 且易陷入局部最优, 为解决这些问题, 一些研究使用优化算法对基础算法进行寻优. 井文强等[10]使用改进灰狼优化BP神经网络改进收敛因子, 模型预测精度与泛化能力表现较好. LSTM-TCN网络在光伏发电多步预测[11]以及新能源汽车电池预测[12]等动态变化的复杂系统中均取得了不错的效果. 然而暖通空调系统的复杂性体现为多变量耦合、强非线性特征及不确定性因素等, 其动态特性则表现为显著的时变特性与复杂的演化机制. 现有模型在应对这些挑战时存在一定局限; 参数空间的高维性与非凸性模型参数校准困难, 导致优化过程易陷入局部最优解; 模型预测性能欠佳, 预测结果存在显著偏差、应对环境变化能力不足, 难以有效捕捉系统在未知场景下的行为; 对关键建筑几特征、物理场耦合关系及功能属性等信息的捕获与表达存在不足.

为了解决目前建筑状态预测方法泛化性差、容易陷入局部最优的问题, 本文提出一种基于改进粒子群算法的时间卷积网络和长短期记忆网络与注意力机制组合模型的建筑热动态与能耗预测模型. 首先, 本文使用EnergyPlus软件搭建办公建筑仿真模型并验证仿真模型与实际设备的相似性, 在变送风量与变送风温度工况下获取建筑历史运行数据; 其次, 鉴于时间卷积网络(temporal convolutional network, TCN) 与长短期记忆网络 (long short-term memory, LSTM)分别在捕获时序数据短期特征与长期特征的优势, 本文将两者进行结合, 并且使用自注意力机制对建筑运行数据多元异构特征进行动态权重分配; 然后基于TCNLSTM-Attention预测模型, 使用自适应惯性权重的粒子群优化算法(particle swarm optimization, PSO)对模型超参数进行寻优, 提升模型预测准确性; 最后, 通过暖通空调系统能耗、室内温度、预测平均投票数(predicted mean vote, PMV)预测实验来验证本文提出模型的有效性与泛化性.

总结

在暖通空调系统中, 准确预测热动态与能耗对于提高能效和提升控制效果至关重要. 针对暖通空调系统多变量耦合特点与动态特性, 本文提出了一种TCNLSTM-Attention预测模型. 该模型通过时间卷积网络与长短期记忆网络对时间序列数据的短期特征与长期特征进行提取, 并处理时间序列数据的优势以及注意力机制Attention对关键信息的聚焦能力. 通过分析建筑历史能耗数据, 在仿真实验环境中, TCN-LSTMAttention模型相比于仿真实验对比模型, MAE, MAPE, RMSE以及预测稳定性均表现更佳. 在建筑围护结构参数更改后, 对模型重新进行训练, 结果表明该算法具有一定的泛化性. 对模型的实际工程验证具有重要意义, 且在后续研究工作中需要更为深入研究建筑热动态的内在机理, 未来将争取开展这些工作.

作者简介

付伟豪硕士, 研究方向为建筑大数据分析与优化运行;

赵千川博士, 教授, 博士生导师, 目前研究方向为网络化系统性能优化与安全控制.

期刊介绍

《控制理论与应用》(Control Theory & Applications)是经国家科学技术部批准, 教育部主管, 由华南理工大学和中国科学院数学与系统科学研究院联合主办的全国性一级学术刊物, 1984年创刊, 月刊, 国内外公开发行. 《控制理论与应用》是中国科学引文数据库首批统计源期刊之一，中文核心期刊，入选中国精品科技期刊顶尖学术论文F5000项目，中国科协自动化学科领域高质量科技期刊目录以及中国科协百篇优秀科技论文遴选计划，2021年入选广东省高质量科技期刊建设项目，2022-2024年连续获得基金委资助（科技活动专项）。

期刊封面2.jpg 目录2.jpg