一种基于多任务学习的多用途建筑热负荷预测方法：融合天气—热负荷条件学习与热负荷时滞先验约束

《Energy》：A multi-task learning-based heat load prediction method of multi-use buildings: integrating weather-heat load conditional learning and heat load time-delay prior constraint

　　

区域供热系统中多建筑热负荷的准确预测，对于优化供热调度策略至关重要。现有方法在表征建筑热负荷的多源驱动特征及其时滞动态方面能力有限。为解决这些问题，研究人员提出了一种新型热负荷预测方法。采用时间卷积网络（TCN）与 Transformer 模型提取天气时间序列的局部与全局特征。引入天气—热负荷条件学习机制，以自适应识别与所提取天气特征强相关的热负荷时序信息。最终，研究人员开发了一种基于多任务学习（MTL）的预测模型，集成了共享驱动特征模块与建筑特异性预测分支。采用基于自回归（AR）的热负荷时滞先验约束机制，以改进模型训练过程。所提方法利用中国河北省某区域供热系统的运行数据进行了验证。结果表明，所提模型在多建筑热负荷预测中取得了较高精度，R²取值范围为0.97–0.99。与传统方法以及具有代表性的深度学习和机器学习方法相比，所提方法使 MAE 和 MAPE 平均分别降低了65.73%和74.89%。该研究可为区域供热系统的负荷分配与运行优化提供可靠的前馈信息。

该文发表于《Energy》，聚焦区域供热系统中多用途建筑热负荷的高精度预测问题。研究背景在于，区域供热系统的热源经由供热管网向末端建筑输送热水，终端建筑的热负荷需求直接决定供热规模，并影响供热系统的调度与运行优化。若能准确预测建筑热负荷，则可为供热系统提前制定运行策略提供依据，从而提升运行效率、降低碳排放并保障供热需求。然而，多用途建筑在相同外部天气条件下仍表现出显著的时空异质性，这种差异主要来源于建筑围护结构性能、内部蓄热能力以及用热策略的不同，使得热负荷预测面临更高复杂性。

文章系统回顾了统计回归（SR）、机器学习和深度学习三类热负荷预测方法。统计回归方法具有结构简单、可解释性强的优点，但其预设的线性或非线性假设难以刻画复杂工况下热负荷与影响因素之间的映射关系，且在多建筑场景下往往需要逐建筑校准参数，泛化能力有限。机器学习方法虽然能够通过监督学习自动挖掘输入特征与热负荷之间的非线性关联，整体性能通常优于统计方法，但其预测效果对特征构造与模型机制的匹配程度较为敏感，因此难以应对多用途建筑热负荷的个性化建模需求。深度学习方法近年来取得快速发展，相关研究多致力于提升时空特征表示能力，或引入信号分解、专家知识、物理约束等增强预测性能，但现有多数方法仍偏重于“特征生成后端到端输入”的静态融合模式，忽视了天气变化与热负荷时序响应之间的条件依赖关系，同时也未能显式表达建筑热负荷的时滞特征。

基于上述问题，研究人员明确提出了三项关键挑战：其一，如何在多建筑场景中兼顾建筑特异性的个性化建模与跨建筑协同预测；其二，如何有效表示并利用建筑热负荷时序响应对外部天气变化的条件依赖；其三，如何显式刻画热负荷时滞效应，而非仅依赖常规时间序列模型隐式学习。为此，研究人员提出了一种新型热负荷预测方法，系统集成多源天气特征提取、天气—热负荷条件学习、多建筑协同预测与个性化建模，以及热负荷时滞先验约束机制。案例研究表明，该方法的预测性能优于多种机器学习方法和先进深度学习方法。文章的核心结论是：所提出方法能够有效平衡建筑层面的个性化建模与多建筑协同学习，强化天气特征与热负荷响应之间的条件关联表示，并通过时滞先验约束提升模型训练效果与预测精度。其重要意义在于，为区域供热系统的负荷分配、前馈控制和运行优化提供了可靠的信息支撑。

从方法上看，研究人员构建了一个端到端深度学习框架，主要包含四个关键技术模块：天气时间特征提取模块、天气—热负荷条件学习模块、多任务学习（MTL，多任务联合建模）预测模块，以及热负荷时滞先验约束模块。其中特征提取部分采用时间卷积网络（TCN）和 Transformer，分别提取天气时间序列的局部动态与全局依赖；条件学习模块用于自适应筛选与天气特征高度相关的热负荷时序信息；预测部分通过共享驱动特征模块与建筑特异性分支实现多建筑协同与个体差异兼顾；训练阶段进一步引入基于自回归（AR）的时滞先验约束，以显式体现热负荷对历史负荷的依赖。模型验证数据来自中国河北省某真实区域供热系统运行数据。

在研究结果方面，文章首先在“Research framework”部分给出了整体研究框架。研究人员将方法划分为四个核心模块，并将其统一集成至端到端深度学习架构中。该部分的主要贡献在于明确了从天气信息输入到多建筑热负荷输出的完整建模流程，为后续各模块的理论展开与案例验证奠定了结构基础。

在“Fundamental theory of each method module”部分，文章详细阐述了所提各方法模块的基本原理，构成整个预测模型的理论基础。这部分的重点并非报告最终数值结果，而是说明所提方法如何通过多模块协同，形成适用于多用途建筑热负荷预测的统一建模机制。由此可见，该研究不是简单叠加现有模型，而是在特征表示、依赖学习与约束训练层面进行了系统设计。

在“Heat load time-delay prior constraint mechanism”部分，研究人员专门讨论了建筑热负荷的时滞特性。文章指出，建筑围护结构与室内空气的热容（heat capacity）使外界天气变化不会即时完全反映到热负荷变化上，而是通过热储存效应逐步传导，因此当前热负荷对历史值具有显著依赖。基于这一分析，研究人员构建了数学模型以显式描述这一时滞关系，并将其作为训练中的先验约束引入模型。该部分所得结论是：显式时滞建模有助于弥补单纯依赖常规时序模型隐式学习时滞效应的不足，从而增强模型对真实热工动态的刻画能力。

在“Case study”部分，研究人员选取中国河北省某真实区域供热系统作为案例，对所提方法进行验证。摘要给出的结果表明，所提出模型在多建筑热负荷预测任务中表现出很高的精度，决定系数 R²达到0.97–0.99，说明模型能够较好拟合实际热负荷变化规律。同时，与传统方法及代表性的深度学习、机器学习方法相比，所提方法使平均绝对误差（MAE）与平均绝对百分比误差（MAPE）分别平均下降65.73%和74.89%。由此说明，该模型在复杂多建筑场景下具备显著性能优势，验证了多任务学习、条件学习与时滞先验联合建模的有效性。

在“In-depth reflections and comprehensive discussions on this study”部分，文章从方法论视角对研究进行了进一步讨论。研究人员指出，所开发的预测架构克服了单任务学习在跨建筑供热模式建模中的局限；天气—热负荷条件学习提升了相较一般多特征融合策略的特征利用效果；热负荷时滞先验约束则弥补了模型对实际热动态响应机理表达不足的问题。该部分总体强调，研究提出的是一种面向多用途建筑区域供热场景的综合性解决方案，其创新性体现在多层次协同建模而非单一结构优化。

在“Research conclusions”部分，文章总结出以下结论。其一，提出了一种融合共享驱动表示与建筑特异性热负荷预测分支的新型热负荷预测方法，能够有效平衡单体建筑个性化建模与多建筑协同预测。其二，开发了天气—热负荷条件学习机制，可更充分地表征建筑热负荷时序响应对外部天气变化的条件性关系。其三，研究引入热负荷时滞特征的先验约束机制，增强了模型对负荷动态特性的表达能力并提升了预测性能。结合案例研究结果，可以认为该方法为区域供热系统的精细化运行提供了更高可靠性的预测支撑。

在“Limitations and future research directions”部分，研究人员也对研究边界进行了说明。文章指出，尽管案例研究验证了方法有效性，但跨气候区预测尚未得到充分探索；对于不同气候区，建筑热负荷还会受到其他因素影响，未来需纳入更多因素以提升模型对条件特征的表示能力。此外，原文还指出在实际运行场景下，建筑热负荷仍存在进一步复杂性，但文段提供内容不完整，因此不宜超出原文进行扩展。该部分说明，当前研究虽已取得较高预测精度，但仍需在更广泛场景与更复杂运行条件下继续验证和完善。

综合全文，本文的主要学术价值在于提出了一种适用于区域供热系统多用途建筑的热负荷预测新范式。该范式不再局限于单一建筑独立建模或简单多特征拼接，而是通过多任务学习实现跨建筑协同，通过天气—热负荷条件学习强化外界扰动与负荷响应之间的动态耦合，并通过自回归先验约束显式体现热负荷的时滞机理。研究结果表明，这一集成框架在真实案例中取得了显著优于对比方法的预测效果，说明其在实际供热运行优化、负荷分配和前馈调控中的应用潜力较高。

研究结论部分可译为：基于案例研究，可以得出以下结论。1）研究人员提出了一种新型热负荷预测方法，该方法集成了共享驱动表示与建筑特异性热负荷预测分支，能够有效平衡个体建筑层面的个性化建模与多建筑之间的协同预测；2）研究人员开发了天气—热负荷条件学习机制，能够更充分地表征热负荷时间响应对外部天气变化的条件性响应关系；3）研究人员引入了表征热负荷时滞特性的先验约束机制，从而增强模型对热负荷动态特征的刻画能力，并提升预测性能。