利用混合多尺度深度学习方法对城区冷却系统的冷却负荷进行预测

《ENERGY AND BUILDINGS》：Cooling load forecasting for urban district cooling systems using a hybrid multi-scale deep learning approach

　　

赵增|冯阳|曹海霞|王静|袁彦平

摘要

区域冷却系统（DCS）对可持续的城市能源基础设施日益重要。然而，冷却负荷的固有非平稳性和多尺度动态特性，加上极端高温事件频率的增加，给准确预测和运营决策带来了重大挑战。为了解决这些复杂问题，本研究开发了一种混合预测框架——Optuna-VMD-Informer-BiLSTM。该框架利用变分模态分解（VMD）提取多尺度特征以减轻非平稳性，同时结合Informer和BiLSTM架构来捕捉长期趋势和短期波动。通过Optuna进行超参数调优以实现最佳性能。该框架在河流水源区域冷却系统的历史数据上进行验证，其预测性能优于传统方法和深度学习模型，在多个时间范围内均表现出色，准确率达到0.9938，均方根误差（CVRMSE）为8.72%。值得注意的是，该模型在跟踪负荷峰值与低谷之间的变化以及突发负荷变化方面表现出优异的稳定性。此外，还采用了聚类分析来识别用户侧的需求模式，提高了模型的可解释性，并为系统调度提供了可靠的多时间尺度决策支持。