摘要
建立一个准确、稳健的能耗预测模型是节能工作的核心任务。先前的工作已经在各种负荷预测场景中探索了许多预测模型。然而,数据增强和集成学习在能源预测中的联合作用尚未得到充分的探讨。本文提出了一种基于生成对抗网络(Generative Adversarial Network,简称GAN)增强的集成模型,用于大型商业建筑能耗预测。该集成模型采用叠加集成方法对五个组成模型进行聚合。此外,我们使用GAN从原始数据集中学习样本分布,并生成高质量的样本来增强训练集。增强的数据集允许模型用更多不同的样本进行训练,以增加其鲁棒性。利用平均绝对误差(MAE)、均方根误差(RMSE)和均方根误差变异系数(CVRMSE)三个性能指标,对三种GAN变体进行了一系列实验,验证所提出的方法。结果表明,GAN增强的集成模型在降低预测误差方面具有更强的鲁棒性。经过InfoGAN (Information maximization GAN, 简称InfoGAN)增强的最佳集成模型在MAE、RMSE和CVRMSE上的平均误差分别降低了1.71、1.63和4.72%,优于未增强的模型,验证了其在实际系统中构建能耗预测模型的实际价值。
