A deep-learning framework for predicting building heat load with hyperparameter optimisation and physics-constrained post-processing

doi:10.1016/j.enbuild.2026.117783

A deep-learning framework for predicting building heat load with hyperparameter optimisation and physics-constrained post-processing

2026-09-15

2

PRE

AI

Eugenia Rossi di Schio

DOI：10.1016/j.enbuild.2026.117783

原文链接

原文求助

摘要

En 中文

在全球能源转型与碳中和目标驱动下，准确预测建筑热负荷对智能供暖控制、需求侧能源管理和故障检测具有重要意义。本研究聚焦于博洛尼亚的一处单户住宅，基于前24小时数据预测下一小时的热负荷。构建了包含18种典型运行场景的数据集，涵盖室外气象条件、人员入住率、温控器设置及设备热增益的变化。随后采用Optuna框架系统优化了五种模型（LSTM、TCN、MLP、XGBoost和LR）的超参数，并比较分析了其预测性能。结果表明，深度学习模型LSTM和TCN表现最佳，其中LSTM略优（LSTM: MAE = 0.082 kW, RMSE = 0.118 kW, R² = 0.863; TCN: MAE = 0.0864 kW, RMSE = 0.1196 kW, R² = 0.8606）。而LR模型表现最差，各指标仅达到0.1202 kW、0.1504 kW和0.7793。应用后处理（PC）校正机制后，LSTM的MAE和RMSE分别降至0.058 kW和0.100 kW，降幅分别为28.2%和15.3%。该框架有效融合了数据驱动方法与物理约束，同时保持低计算成本，为智能建筑能源管理与低碳运行提供了可扩展且实用的解决方案。

Keyword:

Building heat load prediction

Deep learning

Multi-source heterogeneous features

Hyperparameter optimisation

LSTM / TCN / MLP/ XGBoost/LR

A deep-learning framework for predicting building heat load with hyperparameter optimisation and physics-constrained post-processing

摘要

期刊

机构

引用论文