Page 273 - 《高原气象》2025年第3期

3 期 苗 芮等：基于深度学习的多气象要素影响的供热负荷预测模型研究 831
热负荷预测模型的性能， 相较于仅输入气温， 相对 Building Technology Communication （2）： 49.
误差减小约 1. 4 %。此外， 在相同的数据条件下， 李志新， 赖志琴， 2019. 基于 NARX 神经网络的电力负荷中期预测
［J］. 贵州农机化， 1： 26-31. Li Z X， Lai Z Q， 2019. Medium
NARX_8_4神经网络模型的预测误差较 LSTM 模型
term forecast of power load based on NARX neural network［J］.
降低约3. 6 %。 Guizhou Agricultural Mechanization， 1： 26-31.
鹿宇， 2022. 热力站供热负荷预测的影响因素研究［D］. 北京： 北京
参考文献（References）：
建筑大学 . Lu Y， 2022. Study on the influencing factors of heat‐
ing load forecast for thermal power station［D］. Beijing： Beijing
Chan A L S， 2011. Developing future hourly weather files for studying
University of Civil Engineering and Architecture.
the impact of climate change on building energy performance in
全德海， 2020. 室外温度变化与间歇供暖对值班供暖室温的影响
Hong Kong［J］. Energy and Buildings， 43（10）： 2860-2868.
［J］. 建筑节能， 2（48）： 163-168. Quan D H， 2020. Effect of
Ferbar T L， Strmcnik E， 2016. The comparision of Holt-winters meth‐
outdoor temperature change and intermittent heating on room tem‐
od and multiple regression method： a case study［J］. Energy and
perature of non-working time heating［J］. Building Energy Effi‐
Buildings， 109： 266-276.
ciency， 2（48）： 163-168.
Hashmi M U， Arora V， Priolkar J G， 2015. Hourly electric load fore‐
孙玫玲， 李明财， 曹经福， 2018. 利用采暖/制冷度日分析不同气候
casting using Nonlinear AutoRegressive with eXogenous
区建筑能耗的适用性评估［J］. 气象与环境学报， 34（5）： 135-
（NARX） based neural network for the state of Goa， India［C］. In‐
141．Sun M L， Li M C， Cao J F， 2018. Applicability of cooling/
ternational Conference on Industrial Instrumentation and Control，
heating degree days in evaluating building energy consumption of
1418-1423.
different climate zones［J］. Journal of Meteorology and Environ‐
Kelvin K K W， Danny W W L， Liu D L， et al， 2011. Future trends of
ment. Journal of Meteorology and Environment， 34 （5） ：
building heating and cooling loads and energy consumption in dif‐
135-141.
ferent climates［J］. Building and Environment， 46（1）： 223-234.
孙玫玲， 袁闪闪， 张宇峰， 等， 2019. 基于精细化气象预报的供热调
Li Z W， Huang G S， 2013. Re-evaluation of building cooling load pre‐
控技术研究进展［J］. 建筑科学， 35（10）： 182-190. Sun M L，
diction models for use in humid subtropical area［J］. Energy and
Yuan S S， Zhang Y F， et al， 2019. A review of research process
Buildings， 62（3）： 442-449.
in heating regulation technology based on fine meteorological
Liu R， Kuang J， Gong Q， et al， 2003. Principal component regres‐
forecast［J］. Building Science， 35（10）： 182-190.
sion analysis with SPSS［J］. Computer Methods and Programs in
王凇， 2022. 基于机器学习的智慧供热负荷预测研究［D］. 吉林建筑
Biomedicine， 71（2）： 141-147.
大学 . Wang S， 2022. Research on intelligent heating load fore‐
Powell K M， Akshay S， Wesley J C， et al， 2014. Heating， cooling，
casting based on machine learning［D］. Jilin Jianzhu University.
and electrical load forecasting for a large-scale district energy sys‐
王文标， 蔡麒， 汪思源， 2016. 基于气象因素的集中供热系统热负
tem［J］. Energy， 74： 877-885.
荷预测研究［J］. 计算机测量与控制， 24（2）： 22-26. Wang W
Sansa I， Missaoui S， Boussada Z， et al， 2014. PV power forecasting B， Cai Q， Wang S Y， 2016. Research of district heating system
using different artificial neural networks strategies［C］. Interna‐
heat load prediction based on weather factors［J］. Computer Mea‐
tional Conference on Green Energy， Piscataway， NJ： IEEE， surement &Control， 24（2）： 22-26.
2014： 54-59. 王雪菲， 李勇， 余国晓， 等， 2022. 基于 DMD-NARX 模型的短期电
Stephenson D G， Mitalas G P， 1967. Cooling load calculation by ther‐ 力负荷预测方法［J］. 黑龙江大学自然科学学报， 39（3）： 307-
mal response factors［J］. ASHRAE Transaction， 73（1）： 2. 316. Wang X F， Li Y， Yu G X， et al， 2022. Short-term power
Wang Y M， Li Z W， Liu J J， et al， 2023. Data-driven analysis and load forecasting method based on DMD-NARX model［J］. Jour‐
prediction of indoor characteristic temperature in district heating nal of Natural Science of Heilongjiang University， 39（3）：
systems［J］. Energy， 282： 129023. 307-316.
Werner S， 1984. The heat load in district heating system［J］. Sweden： 夏雨， 2019. 基于西安实测的某集中供热系统动态分析及调控策略
Chalmers Unicersity of Technology. ［D］. 西安： 西安工程大学 . Xia Y， 2019. Dynamic analysis and
Wojdyga K， 2008. An influence of weather conditions on heat demand control strategy of a central heating system based on field mea‐
in district heating systems［J］. Energy and Buildings， 40（11）： surement in Xi'an［D］. Xi'an： Xi'an University of Engineering.
2009-2014. 谢吉洋， 闫冬， 谢垚， 等， 2018. 基于 NARX神经网络的热负荷预测
Zhao J， Liu X J， 2018. A hybrid method of dynamic cooling and heat‐ 中关键影响因素分析［J］. 计算机应用， 38（11）： 3180-3187.
ing load forecasting for office buildings based on artificial intelli‐ Xie J Y， Yan D， Xie Y， et al， 2018. Analysis of key factors in
gence and regression analysis. Energy and Buildings， 174： heat demand prediction based on NARXneural network［J］. Jour‐
293-308. nal of Computer Applications， 38（11）： 3180-3187.
江亿， 1981. 模拟房间热响应的新方法——状态空间法［J］. 建筑技 张德山， 王保民， 陈正洪， 等， 2008. 北京市城市集中供热节能气象
术通讯（暖通空调） （2）： 49. Jiang Y， 1981. A new method to 预报系统的应用［J］. 煤气与热力， 28（11）： 23-25. Zhang D S，
simulate room thermal response——State space method［J］. Wang B M， Chen Z H， et al， 2008. Application of weather fore‐