数据驱动的热泵管理：将机器学习与异常检测结合用于住宅热水系统
机器学习
2025-06-23 v1
摘要
热泵（HP）已成为高效且清洁的可持续能源系统技术，但其生产热水的效率仍受限于传统阈值控制方法。尽管机器学习（ML）已成功应用于 various HP 应用，但住宅热水需求预测的优化仍未得到充分研究。本文通过引入一种新方法，将预测 ML 与异常检测结合，创建基于住宅特定消费模式的自适应热水生产策略。我们的主要贡献包括：（1）组合 ML 与孤立森林（iForest）的复合方法，用于预测住宅热水需求并引导响应式 HP 操作；（2）基于高级时序分析的多步骤特征选择，以捕获复杂的使用模式；（3）在来自不同类型真实 HP 安装的数据上应用和调优三种 ML 模型：LightGBM、LSTM 和带自注意力机制的双向 LSTM；以及（4）对六个真实住宅安装进行实验验证。我们的实验表明，最佳模型 LightGBM 性能卓越，RMSE 较 LSTM 变体提升最高 9.37%，R² 值在 0.748-0.983 之间。对于异常检测，我们的 iForest 实现实现 F1 分数 0.87，误报率仅 5.2%，展现出强大的跨不同住宅类型和消费模式的泛化能力，适用于实际 HP 部署。
引用
@article{arxiv.2506.15719,
title = {Data-Driven Heat Pump Management: Combining Machine Learning with Anomaly Detection for Residential Hot Water Systems},
author = {Manal Rahal and Bestoun S. Ahmed and Roger Renstrom and Robert Stener and Albrecht Wurtz},
journal= {arXiv preprint arXiv:2506.15719},
year = {2025}
}
备注
33 pages accepted in Neural Networks and Applications