文献类型：期刊文章

作　　者：张昱[1,2] 陈广书[1] 李继涛[1] 张明魁[1]

ZHANG Yu;CHEN Guangshu;LI Jitao;ZHANG Mingkui(School of Electrical and Information Engineering&Beijing Key Laboratory of Intelligent Processing for Building Big Data,Beijing Universily of Civil Engineering and Architecture,Beijing 100044,China;State Key Laboratory in China for GeoMechanics and Deep Underground Engineering&Deep Earth Space Science and Eng ineering Research Institute,China University of Mining&Technology,Beijing 100083,China)

机构地区：[1]北京建筑大学电气与信息工程学院&建筑大数据智能处理方法研究北京市重点实验室,北京100044 [2]中国矿业大学(北京),深部岩土力学与地下工程国家重点实验室&.深地空间科学与工程研究院,北京100083

出　　处：《内蒙古大学学报（自然科学版）》

基　　金：深地空间科学与工程研究院基金(XD2021021);国家重点研发计划(2020YFF0305504);北京建筑大学研究生创新项目资助(PG2022089)。

年　　份：2022

卷　　号：53

期　　号：5

起止页码：516-521

语　　种：中文

收录情况：AJ、BDHX、BDHX2020、CAS、JST、MR、RCCSE、WOS、ZGKJHX、ZMATH、核心刊

摘　　要：在“双碳”背景下,我国建筑碳排放占总碳排放比例35%~50%,建筑碳减排迫在眉睫,通过建筑负荷预测提高用能效率是一种有效的建筑碳减排手段。针对建筑冷热负荷数据的非线性、时序性的特点以及多步预测误差大的问题,设计并实现了一种基于Attention机制的CNN-LSTM时序预测方法。首先采用LSTM提取非线性数据的时序性变化信息;其次提出在LSTM前加入CNN,解决了LSTM无法获取多个特征空间联系的问题;进而提出在LSTM层后添加注意力机制,从而提高LSTM中重要时间步的影响,进一步降低多步预测误差。最后将本文方法应用到某大型园区八个组团的建筑热负荷多步预测中,并采用均方根误差(RMSE)和平均绝对误差(MAE)作为评估指标。实验结果表明,本文所提方法预测结果在八个组团上平均RMSE和平均MAE最小,较文中其他方法平均分别降低了19.2%和18.7%。

关 键 词：时间序列预测 建筑冷热负荷预测  卷积神经网络 长短期记忆神经网络  注意力

分 类 号：TP181]