一种基于高斯分类和数据分解的新型多模型运行机制，用于复杂公共建筑中的空调冷却负荷预测

《Energy》：A novel multi-model operation mechanism based on Gaussian classification and data decomposition for air-conditioning cooling load prediction in complex public buildings

复杂公共建筑空调冷却负荷预测中突发负荷变化对模型精度影响显著，提出基于高斯分类、数据分解与多模型协同的GMM-VMD-LSTM方法，通过动态调整模型架构降低63.61%-45.48%的MAPE误差，验证了多模型机制在处理多功能建筑异构数据中的有效性。

　　

刘景涛|张旭祥|王一贤|张宏斌|丁云飞

广州大学土木与交通学院，中国广州，510006

摘要

准确预测空调冷却负荷对于空调设备的快速响应、及时调节室内舒适度以及提高空调系统的运行效率至关重要。在复杂的公共建筑中，由于功能多样且独特，空调设备的启停时间并不一致，导致某些时段冷却负荷出现突然变化。这对精确预测冷却负荷和实时控制机房带来了重大挑战。为了实现高效机房并准确预测复杂公共建筑的冷却负荷，本文首次提出了一种新方法。该方法结合了基于建筑功能的高斯分类、数据分解以及集成神经网络的多模型运行机制。结果表明，该方法不仅显著提高了冷却负荷的整体预测精度，还有效减少了某些时段冷却负荷突然变化导致的大幅预测误差。优化后的模型在不同数据集上的平均绝对百分比误差分别为约6.78%和8.38%，相比未经优化的神经网络模型分别降低了63.61%和45.48%。此外，通过比较不同年份的数据并使用不同的复合模型，进一步验证了该方法的有效性和准确性。这项研究对于实现复杂公共建筑冷却负荷的实时预测和提高空调系统的调节效率具有重要意义。

引言

中央空调（AC）系统对于调节室内通风、温度和湿度条件至关重要，也是大型公共建筑运行期间能源消耗（EC）和碳排放的主要来源之一。相关数据显示，在一些大型公共建筑中，中央空调系统的能耗占比超过38%，产生了大量的碳排放[1]、[2]。作为实现室内环境和空调设备先进调节的关键技术，空调冷却负荷（CL）的预测是促进节能和减排的重要手段[3]。通过提前预测一定时期的空调冷却负荷，不仅可以快速控制和响应空调系统，及时提升室内舒适度及运行效率，还能制定和优化空调系统的整体管理策略，从而降低建筑运行期间的能耗[4]、[5]、[6]。

随着人工智能和大数据技术的出现，数据驱动的神经网络预测模型得到了进一步发展，并在建筑和能源等多个领域取得了良好的应用成果[7]、[8]。与传统基于图纸的方法、通过仿真软件建立物理模型或使用经验公式的方法相比，神经网络模型凭借其独特的神经元和网络架构，能够持续调整网络权重以挖掘和学习数据变化模式。这使它们在预测表现出非线性变化的冷却负荷方面具有明显优势[9]。这些优势还显著提高了预测精度和效率，特别是在实时预测、建模便捷性和模型预测速度等方面[10]、[11]、[12]。近年来，循环神经网络（RNN）、反向传播（BP）、门控循环单元（GRU）和长短期记忆（LSTM）等常见神经网络在建筑空调能耗和冷却负荷预测领域表现出色[13]、[14]、[15]、[16]、[17]。例如，周某使用BP和LSTM准确预测了一所大学图书馆的空调能耗[18]。李某提出了一种基于编码器-解码器块的神经网络模型用于办公楼冷却负荷预测；该模型通过编码和解码所有输入数据提高了建筑冷却负荷预测的精度[19]。查拉帕蒂比较了不同的预测方法，发现具有神经网络架构的模型在冷却负荷预测中表现良好[20]。同时，随着技术的不断创新和改进，一些基于神经网络模型的混合优化方法在现有模型的基础上进一步提高了预测精度。任某基于copula理论建立了负荷预测模型，并通过使用大学校园数据的实验验证了该模型，进一步提高了冷却负荷的预测精度[21]。董某使用改进的LSTM模型准确预测了商业建筑的冷却负荷[22]。赵某在神经网络中添加了注意力机制，实现了商业建筑空调冷却负荷的准确预测[23]。焦某将GRU与完全集成经验模态分解（CEEMDAN）和随机森林（RF）等方法结合，构建的预测模型在不同类型单功能建筑（包括大学教室、办公楼和图书馆）的数据集上表现良好[24]。此外，宋某将鲸鱼优化算法（WOA）与双向LSTM（BiLSTM）模型结合用于医院冷水机的能耗预测；与WOA-LSTM和BiLSTM相比，WOA-BiLSTM分别将平均绝对百分比误差（MAPE）降低了2.93%和0.75%[25]。可以看出，研究人员在空调能耗和冷却负荷变化相对规律的单功能建筑（如办公楼、医院、图书馆和学校）中取得了良好的预测结果[26]。

然而，随着城市化的加速和人们生活质量的不断提高，大型公共建筑的数量和总面积不断增加，其功能也变得越来越多样化和复杂[27]、[28]。与办公楼、图书馆和酒店等传统单功能建筑不同，复杂的大型公共建筑具有多样化的内部功能、各种设施的不同运行类型以及空调设备不同的工作时间。因此，在某些不确定的时间段内，空调冷却负荷可能会出现突然变化。这些变化使得空调冷却负荷更加不规律，给准确预测带来了更大的挑战。例如，董某在商业购物中心的冷却负荷预测中发现，由于不同区域的空间位置和功能差异，维持室内热舒适环境所需的设备类型和运行时间也有所不同。每个功能区域的冷却负荷需求受到这些差异的影响，使得建筑冷却负荷预测模型无法为购物中心的空调系统最佳运行和按需分配提供前提条件[23]。卢某使用改进的GRU、BiLSTM和卷积神经网络-LSTM（CNN-LSTM）模型分别预测了办公楼、医院、学校和购物中心的冷却负荷。研究发现，与其他建筑相比，这些模型在购物中心中的预测性能较差[29]。刘某等人在2024年和2025年分别使用LSTM、GRU和BP等神经网络构建了模型，用于预测多功能综合公共建筑的空调能耗和冷却负荷。然而，他们发现，在空调能耗和冷却负荷发生显著变化的区域（如突变情况），模型性能并不理想，这类突然变化通常源于建筑功能的多样性和空调系统运行的复杂性[30]、[31]。从单功能建筑到大型多功能复杂公共建筑的空调冷却负荷预测，研究人员已经进行了一定的探索并取得了一些成果。然而，由于建筑功能复杂，在某些时段内冷却负荷突然变化导致的大范围局部预测误差问题尚未得到明确解决。

准确预测空调冷却负荷是空调设备管理的关键，也是节能控制优化的基础，特别是对于体积大、功能复杂、能耗密度高的大型复杂公共建筑而言。具体来说，在空调系统运行过程中，通过准确的冷却负荷预测，可以及时调整水冷机等设备，进一步优化系统的能源效率，从而实现更好的节能效果[32]、[33]、[34]。相反，当预测误差过大时，会出现预测冷却负荷与实际需求不匹配的现象。这不仅会严重影响室内热舒适度，还会导致水泵和空调设备等设备运行异常，从而降低效率并造成大量能源浪费。因此，为了实现大型复杂公共建筑空调冷却负荷的准确预测，本文提出了一种基于高斯分类和数据分解的新多模型运行机制，并结合了神经网络。该方法可以根据建筑功能和数据变化规则自动调整模型的运行模式。在减少传统神经网络模型整体预测误差的同时，也能缓解冷却负荷突然变化引起的大幅预测误差，从而解决复杂多功能公共建筑的冷却负荷预测问题。为了进一步验证所提方法的有效性，首先收集了2022年6月1日至9月30日期间共2928个空调冷却负荷数据点，以及2023年同一时期的2928个数据点。使用两年间的空调季节数据进一步验证了该方法的有效性和准确性。其次，与优化神经网络模型本身不同，我们的方法更注重整合建筑功能的多样性和数据的分类与分解。因此，我们采用了目前时间序列应用中最广泛使用的神经网络之一LSTM作为基线模型[35]、[36]、[37]，并提出了名为GMM-VMD-LSTM的新多模型空调冷却负荷预测方法，该方法结合了高斯混合模型（GMM）分类和变分模态分解（VMD）。比较了使用该方法优化前后的预测结果。最后，在相同配置下，我们将几种在单功能建筑冷却负荷预测中表现良好的主流复合优化神经网络模型与本文提出的方法进行了比较和分析，进一步验证了GMM-VMD-LSTM模型在复杂多功能公共建筑冷却负荷预测中的有效性，尤其是在处理此类建筑突然负荷变化方面的效果。

数据和方法描述

首先简要介绍了数据来源和案例中复杂公共建筑的概况。其次阐述了本文的设计过程、模型结构以及多模型的运行机制。最后简要说明了所使用的分析方法、模型参数设置、误差计算公式以及预测数据和实际数据的分析方法。

结果与讨论

首先，本文解释了多模型的运行原理。其次，详细分析了高斯分类方法和数据分解过程。第三，使用2022年的数据测试了优化模型和未优化模型的预测性能，并使用2023年的数据进行了进一步验证。最后，将其他优化方法的预测性能与本文提出的方法进行了比较。

结论

为了准确预测具有多种功能的复杂公共建筑的冷却负荷，本文提出了一种基于高斯分类和数据分解结合神经网络的新多模型运行机制，得出以下结论：

(1)

由于复杂公共建筑功能的多样性和空调系统运行的复杂性，传统的神经网络模型在预测冷却负荷时往往会产生较大的预测误差，尤其是在某些情况下

CRediT作者贡献声明

刘景涛：撰写 – 审稿与编辑，撰写 – 原稿，正式分析，数据整理，概念化。张旭祥：数据整理，概念化。王一贤：数据整理。张宏斌：数据整理，概念化。丁云飞：撰写 – 审稿与编辑，概念化

利益冲突声明

作者声明他们没有已知的可能会影响本文工作的竞争性财务利益或个人关系。

致谢

广州市科技计划重点项目（编号202206010132）。