13种混合模型大比拼，EMD-LSTM-Markov预测建筑热负荷精度登顶！
Comparative review of hybrid forecasting models for short-term prediction of building thermal load
📖 AI 总结
本文对建筑短期热负荷预测中的多种混合模型进行了比较综述。研究首先梳理了现有文献中的技术路线，指出常见做法是利用元启发式算法或数据驱动模型来辨识基础模型参数，并从输入输出特征、优缺点等方面对各方法作了定性评估。随后，作者利用苏格兰家庭历史热需求数据及历史天气预报数据，对13种混合方法进行了实证评估。结果显示，经验模态分解-长短期记忆网络-马尔可夫（EMD-LSTM-Markov）模型在预测日前供暖和热水需求的功率曲线方面精度最高，能较好捕捉局部功率峰值，但对高功率骤增和尖峰存在低估。支持向量机-模拟退火（SVM-SA）和随机森林-改进麻雀搜索算法-LSTM（RF-ISSA-LSTM）等方法则倾向于预测平滑曲线，对快速变化和多数功率峰值估计不足。该研究为建筑热负荷预测中混合模型的选择提供了参考依据。
🔑 关键词速览
| EMD-LSTM-Markov | 一种混合预测模型，结合经验模态分解（EMD）进行信号分解、长短期记忆网络（LSTM）进行时序建模和马尔可夫链进行残差修正。 |
| SVM-SA | 支持向量机（SVM）与模拟退火（SA）优化算法结合的混合模型，用于提高预测精度。 |
| RF-ISSA-LSTM | 随机森林（RF）、改进麻雀搜索算法（ISSA）和长短期记忆网络（LSTM）组成的混合模型，用于特征选择和参数优化。 |
| DHW | 生活热水（Domestic Hot Water），指建筑中用于洗涤、沐浴等生活用途的热水需求。 |
| Metaheuristics | 元启发式算法，一类用于优化问题的近似求解方法，如遗传算法、粒子群优化等，常用于模型参数调优。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅