近日，我院2022级硕士研究生李康在国际知名期刊《Applied Energy》发表了题为《A multi-energy load forecasting method based on complementary ensemble empirical model decomposition and composite evaluation factor reconstruction》的研究论文，李康为第一作者、导师段鹏飞为通讯作者，建筑环境控制与可持续能源应用团队程远达、薛庆雯等为共同作者，bat365中文官方网站为第一作者单位。
《Applied Energy》（JCR及中科院双一区TOP期刊，2023年IF=11.2）是综合能源领域的世界顶级期刊之一，影响力和认可度极高，该期刊的主要目标是发表在能源与人工智能、大数据等新兴领域交叉和融合的高质量研究成果。
高精准的多元负荷预测对综合能源系统（IES）的有效规划、管理和运营至关重要。本研究提出一种基于时间序列分解和重构的多变量负荷预测模型，用于处理IES中复杂的高维多负荷数据，通过相关性分析和变量筛选，最大程度地减少了不相关的数据干扰，使用互补集成经验模态分解（CEEMD）将荷载序列分解为具有不同特征的模态分量，为克服时域分解方法固有的预测精度不稳定的问题，本研究还引入了创新的复合评估因子（CEF），在考虑模态分量的复杂性、耦合性和频率后重构了模态分量，利用被注意力机制优化的MTL-CNN-BiLSTM模型进行预测模拟，结论表明，与传统的时域分析方法相比，本文所提模型显著降低了误差累积，平均预测误差降低了37.40%，预测效率提高了30.73%。该研究成果有效提升了综合能源系统的多能源负荷精度，对优化综合能源运行管理和能源调度具有指导意义。
原文链接：https://doi.org/10.1016/j.apenergy.2024.123283
图1. 论文出版首页
图2. 多能源负荷预测模型框架及实验结果
