基于Attention机制的CNN-LSTM时序预测方法研究与应用

在“双碳”背景下,我国建筑碳排放占总碳排放比例35%~50%,建筑碳减排迫在眉睫,通过建筑负荷预测提高用能效率是一种有效的建筑碳减排手段。针对建筑冷热负荷数据的非线性、时序性的特点以及多步预测误差大的问题,设计并实现了一种基于Attention机制的CNN-LSTM时序预测方法。首先采用LSTM提取非线性数据的时序性变化信息;其次提出在LSTM前加入CNN,解决了LSTM无法获取多个特征空间联系的问题;进而提出在LSTM层后添加注意力机制,从而提高LSTM中重要时间步的影响,进一步降低多步预测误差。最后将本文方法应用到某大型园区八个组团的建筑热负荷多步预测中,并采用均方根误差(RMSE)和平均绝对误差(MAE)作为评估指标。实验结果表明,本文所提方法预测结果在八个组团上平均RMSE和平均MAE最小,较文中其他方法平均分别降低了19.2%和18.7%。