混合预测模型对比：建筑热负荷短期预测谁更准？

为什么建筑热负荷预测值得关注

建筑供暖和生活热水（DHW）的能耗占据了居民能源消费的很大一部分。准确预测短期（尤其是日前）的热负荷，对于优化供热调度、削峰填谷、提升能源系统效率都具有现实意义。然而，热负荷受天气、用户行为、建筑物理特性等多重因素影响，呈现出强非线性和高波动的特征，单一模型往往难以兼顾趋势捕捉与峰值识别。

近期一篇发表于 arXiv 的对比研究（arXiv:2610.06881v1）系统评估了多种混合预测模型在建筑热负荷短期预测中的表现。所谓混合模型，通常是在一个基础的数据驱动模型之上，叠加元启发式优化（Metaheuristics）或其他先进技术，以提升参数辨识与预测精度。

研究方法：定性分析加实证评测

这项研究分两步展开。第一步是对文献中已报道的技术进行梳理与定性评估。作者发现，现有混合方法的核心思路相当一致：要么用元启发式算法来辨识基础模型的参数，要么用另一个数据驱动模型来完成同样的任务。研究为每种方法都标注了输入输出特征、主要优势与不足，形成了一份较为完整的技术图谱。

第二步则是实证评测。研究者使用了苏格兰家庭的历史热负荷数据，并结合历史天气预报数据，对现有混合方法进行横向性能比较。这种"真实数据集 + 多模型同台竞技"的方式，使得结论更具参考价值，而非停留在纸面推演。

13 种混合模型的较量结果

在对 13 种混合方法的评估中，表现最突出的是 EMD-LSTM-Markov 模型，即经验模态分解（Empirical Modal Decomposition）、长短期记忆网络（LSTM）与马尔可夫（Markov）过程的组合。该模型在预测日前供暖与生活热水需求的功率模式时达到了最高精度。

这个组合的逻辑颇具启发性：EMD 负责将复杂的原始信号拆解为若干更平稳的子序列，LSTM 擅长捕捉时间序列中的长短期依赖关系，而 Markov 过程则进一步刻画状态转移特性。三者叠加，既保留了对整体趋势的把握，也提升了对局部变化的响应能力。

不过研究也坦言其局限：尽管 EMD-LSTM-Markov 能较准确地预测局部功率峰值，但对高幅度的功率涌升与尖峰（swells and spikes）仍存在低估。这意味着在极端用能场景下，模型可能无法完全反映真实需求的剧烈波动。

经验模态分解（EMD） 是由 Huang 等人于 1998 年提出的一种自适应信号处理方法，专为分析非线性、非平稳时间序列而设计。与傅里叶变换或小波分解不同，EMD 不依赖预设基函数，而是完全由数据自身驱动，将原始信号逐步分解为若干"本征模态函数"（IMF，Intrinsic Mode Functions）和一个残余趋势项。每个 IMF 代表原始信号中一个特定尺度的振荡成分，各 IMF 之间相互独立、叠加还原。在热负荷预测场景中，EMD 的优势在于能将叠加了天气周期、用户行为规律、随机噪声的复杂负荷曲线拆解成更平稳的子序列，让后续的 LSTM 网络在每个子序列上分别建模，降低了整体学习难度，从而提升预测精度。马尔可夫过程则是一类具有"无记忆性"的随机过程，系统下一状态仅依赖当前状态而与历史无关。在热负荷预测中，可将负荷水平离散化为若干状态区间，用状态转移矩阵刻画负荷在不同区间之间跳变的概率，从而对 LSTM 的连续预测结果进行概率校正，增强对突变时刻的捕捉能力。

其他模型的特点与短板

除了最优解之外，研究还点评了其他几种代表性方法。例如 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）。

这两类方法预测出的供暖与生活热水需求曲线相对平滑，在面对快速变化时表现不够敏锐，普遍低估了大多数功率峰值。换言之，它们更适合把握平均趋势，但在峰值捕捉这一关键环节上失分。

这一对比揭示了混合模型设计中的核心权衡：平滑的预测虽然在整体误差指标上可能不差，但在实际供热调度中，峰值预测的准确性往往更为关键——低估峰值可能直接导致供热不足或系统响应滞后。

元启发式优化算法是这类混合模型中常见的参数辨识手段，SVM-SA 中的模拟退火（Simulated Annealing）和 RF-ISSA-LSTM 中的改进麻雀搜索算法（Improved Sparrow Search Algorithm）均属此类。元启发式算法的共同思路是模拟自然界或物理过程中的搜索行为（如退火冷却、群体觅食），在高维、非凸的参数空间中寻找全局最优解，以避免梯度下降类方法容易陷入局部最优的问题。在机器学习模型的超参数调优或内部权重初始化中，元启发式算法可以替代或辅助传统优化器。然而，这类算法普遍存在计算开销较大的问题，且搜索过程具有一定随机性，收敛结果可能因运行而异。在热负荷预测任务中，若元启发式优化主要服务于整体拟合精度而非峰值响应，最终模型便容易产生"均值回归"倾向——即预测值倾向于向平均负荷水平靠拢，从而系统性低估需求峰值。

对能源建模实践的启示

从这项对比研究中，可以提炼出几点值得工程与研究人员思考的方向。信号分解技术（如 EMD）与深度学习（如 LSTM）的结合，被证明是提升热负荷预测精度的有效路径。而引入状态转移建模（如 Markov）则有助于进一步刻画需求模式的动态特性。

同时，所有被评估方法对极端峰值的普遍低估，提示未来研究应更多关注尾部事件和突变场景的建模能力。单纯追求平均精度指标，可能掩盖了模型在关键时刻的失效风险。

对于希望在建筑能源管理、智能供热系统中落地预测模型的团队而言，这份横向评测提供了一个务实的选型参考：没有放之四海而皆准的最优模型，关键在于明确应用场景更看重趋势还是峰值，再据此选择合适的混合架构。