EMD-LSTM-Markov 混合模型在建筑短期热负荷预测中表现最优

一句话结论

EMD-LSTM-Markov 模型以最高准确率预测建筑逐日供热与热水负荷，但会低估高功率峰值。

关键要点

• 该论文基于苏格兰家庭历史热负荷与天气预报数据，对 13 种混合预测方法做了统一对比评测。
• EMD-LSTM-Markov 模型（经验模态分解-长短期记忆网络-马尔可夫）在提前一日预测供热和国内热水（DHW）功率曲线时准确率最高。
• 该模型虽能准确捕捉局部功率峰值，但对高功率的突发峰值和尖峰仍存在系统性低估。
• SVM-SA（支持向量机-模拟退火）和 RF-ISSA-LSTM（随机森林-改进麻雀搜索算法-LSTM）等模型输出的负荷曲线偏平滑，容易低估大多数功率峰值。

背景与事实

这篇提交于 2026 年 9 月 19 日的论文属于计算机科学与机器学习交叉领域，针对建筑短期热负荷预测中的混合建模方法展开比较研究。论文先梳理了现有文献中常见的技术路径，发现现有研究通常采用元启发式算法或对数据驱动模型本身做优化，用来确定基础预测模型的参数。在定性评价阶段，作者逐一列出了各方法的输入特征、输出特征、主要优点与主要短板。

在定量评测环节，作者使用了一份苏格兰家庭历史热负荷数据集，并结合历史天气预报数据，对 13 种混合方法的表现进行对比。其中表现最好的是 EMD-LSTM-Markov 模型，它能以最高准确率预测次日供热与热水需求功率曲线；不过该模型虽能较准确预测局部峰值，但对高功率的突发峰值和尖峰仍会低估。作为对照组，SVM-SA 和 RF-ISSA-LSTM 等方法倾向于生成较为平滑的预测曲线，在负荷发生快速变化时容易低估大部分功率峰值。

影响分析

这是分析判断：对中文开发者与楼宇自动化从业者而言，这组结果提示在提前一日预测建筑供热与热水负荷时，混合 EMD 分解、LSTM 与马尔可夫的路线可能优于单一数据驱动模型。但 EMD-LSTM-Markov 对高功率尖峰的低估意味着，若下游用于 HVAC 控制、设备容量设计或电网调峰，必须额外引入峰值补偿模块，而不能直接采用模型原始输出。

适用边界

该结论不适用于长时间尺度（数月以上）负荷预测、非住宅类建筑（如大型工业厂房）热负荷场景，也不适用于没有历史天气预报数据可用、或热负荷数据样本量过小的情形。

孤本观察

这是基于本文事实的编辑判断：在 13 种方法中，峰值低估问题普遍存在，说明当前混合模型在“快速变化”工况下仍有共性短板，后续研究大概率会把峰值精化作为核心目标。

来源：arXiv cs.LG