基于分解特征时频表示的热需求预测深度学习框架
机器学习
2026-03-03 v1 人工智能
摘要
供热系统是实现可持续向地理区域内消费者提供热能的关键基础设施，但高效管理依赖于优化多样化能源来源（如木材、燃气、电力和太阳能），以应对需求波动。将供需匹配是确保可靠热力分布、最小化碳排放并通过降低运行温度延长基础设施寿命的关键。然而，由于复杂的非线性使用模式和外部依赖，准确的多步预测仍具有挑战性。本文提出了一种新颖的深度学习框架，用于日前热需求预测，利用历史数据的时频表示。通过对分解后的需求和外部气象因素应用连续小波变换（CWT），该方法使卷积神经网络能够学习标准时域模型难以获取的层次化时序特征。我们系统评估了该方法与统计基线、最新Transformer模型以及新兴基础模型的性能，使用来自三个丹麦地区、一座丹麦城市和一座德国城市的多年数据进行测试。结果表明，与最强基线相比，平均绝对误差降低了36%至43%，在年度测试数据集中实现最高达95%的预测准确率。定性和统计分析进一步确认了该方法的准确性和鲁棒性，能够可靠地跟踪需求峰值，而其他方法则难以做到。本工作贡献了高性能的预测架构和关于最优特征组成的关键见解，为现代能源应用提供了经过验证的解决方案。
引用
@article{arxiv.2603.01137,
title = {A Deep Learning Framework for Heat Demand Forecasting using Time-Frequency Representations of Decomposed Features},
author = {Adithya Ramachandran and Satyaki Chatterjee and Thorkil Flensmark B. Neergaard and Maximilian Oberndoerfer and Andreas Maier and Siming Bayer},
journal= {arXiv preprint arXiv:2603.01137},
year = {2026}
}