BEForeGAN预测算法

建筑能耗预测

首个以生成对抗网络独立完成建筑HVAC能耗预测的方法，将预测重构为图像修复任务，显著提升精度与稳健性。

Ma, Yichuan X. · Yeung, Lawrence Kwan

Applied Energy 2024

参数信息

精度提升

17∼76 %

变异性降低

3∼96 %

噪声鲁棒性（CV-RMSE增加）

<3 %

评估数据规模

96,360 records

技术优势

精度提高17%到76%

在个体建筑预测任务中，BEForeGAN 的 CV-RMSE 相比基准模型降低 17% 到 76%，意味着预测误差大幅减小，可直接用于精细化的能耗调度。

跨建筑零样本也能用

在零样本跨建筑预测中，模型从未见过的建筑上，BEForeGAN 的预测变异性比基准降低 3% 到 96%，展示了强大的泛化能力，无需对新建筑重新训练。

噪声下误差几乎不涨

输入数据每增加 10% 噪声，BEForeGAN 的 CV-RMSE 增幅低于 3%，远优于常规模型，因而对传感器误差和数据缺失更不敏感。

应用场景

• 建筑能耗管理：提供精准的日前能耗预测，支撑需量管理与储能调度优化。
• 智能建筑：以高精度预测驱动暖通空调系统预测控制，降低运行成本。
• 能源物联网：可部署于边缘端，对传感器噪声鲁棒，适合物联网数据环境。
• 智能控制：为模型预测控制提供可靠的状态预测，便于优化控制动作。