持续学习能耗预测器

旧知不忘·新知可纳

针对建筑能耗预测中的概念漂移问题，该模型将双正则化机制融入编码器-解码器结构，在保持历史知识的同时适应新模式。

Siqi, Han · Zhiyuan, Gao · Xin, Xin · Jianxin, Hao · Zhang, Xuewei

Energy and AI 2026

参数信息

平均R²

0.94

平均绝对百分比误差

5 %

最大预测误差降低

78 %

验证数据集数量

4

技术优势

不存历史数据也能更新

EWC与SI双正则化在训练时无需访问历史样本，即可防止对旧知识的灾难性遗忘。

环境剧变误差降78%

在严重环境转变下，最大预测误差相比基线减少78%，说明模型能更快适应概念漂移。

月度更新精度够用

在最优月度更新配置下，平均R²达0.94，MAPE仅5%，满足实际建筑能耗预测需求。

应用场景

• 建筑能源管理：无需历史数据即可定期更新预测模型，适应建筑用能模式漂移。
• 智能电网：提供高精度自适应负荷预测，支撑电网调度与碳减排。
• 智慧楼宇：在楼宇环境变化下保持预测稳定，降低运维误差。
• 自适应预测系统：示范了EWC与SI双正则化在无回放持续学习中的可行性。