基于新型混合机器学习的建筑空间供暖负荷预测方法：一项综合性研究

《Scientific Reports》：Novel hybrid machine learning-based prediction of building space heating load: a comprehensive study

　　

摘要

空间供暖负荷是住宅建筑的主要能源消耗来源。对其预测对于能源供应商的高效和成本效益管理至关重要。在这项研究中，评估了九种机器学习方法，包括一种新颖的混合自然梯度提升（NGBoost）和基于残差的混合密度网络（MDN）模型，使用包含七个独立输入参数的数据集来预测建筑物的空间供暖负荷。这些方法的评估基于平均绝对误差、均方误差、均方根误差、平均绝对百分比误差以及决定系数等性能指标进行。结果表明，平均绝对百分比误差最小（值为0.05）的是新颖的NGBoost+MDN模型，该模型比基于直方图的梯度提升、弹性网络、轻量级梯度提升机和极端学习机方法更有效且更具竞争力。在预测准确性方面，NGBoost+MDN模型表现最佳，因为其MAPE值最低。所有方法的决定系数都超过了0.99，其中决策树的得分最高，为0.9989。此外，极端梯度提升和弹性网络技术的平方误差分别为0.063和0.065。不确定性分析还表明，新开发的混合模型具有更好的预测稳定性，这体现在其预测残差始终保持在残差图的“低误差区域”内。残差预测偏差（RPD）指数测量结果显示，该模型在管理供暖负荷的随机变化方面具有非常高的鲁棒性和可靠性，RPD得分为25.845。这些结果与所研究的特定案例相关，分析时应考虑建筑物的选择以及用于验证的目的设置。