近日，國際建筑能源領域的著名期刊Energy and Buildings（2區TOP，影響因子：7.201）在線發表了工學院科研團隊題為 “A multi-information fusion model for short term load forecasting of an architectural complex considering spatio-temporal characteristics”的研究論文，論文由北京林業大學為第一完成單位，工學院青年教師謝將劍為第一作者，該工作得到倫敦帝國學院 (Imperial College London) Bj?rn W. Schuller教授的指導。
實現建筑節能和碳減排，對降低全球能源消耗和碳排放具有重要意義，有利于加快實現“碳達峰、碳中和”目標。準確的短期負荷預測是合理的能源調度和建筑的最佳運行的基礎。研究團隊發現建筑負荷除了本身呈現周期性的時間特征之外，不同建筑負荷之間還存在空間關聯。
基于上述分析，研究團隊創新性地引入圖卷積網絡（Graph Convolutional Network，GCN）獲取不同建筑負荷之間的空間特征，融合長短期記憶網絡（Long-Short Term Memory，LSTM）獲取建筑負荷本身的時間特征，并加入空間注意力和時間注意力機制提高動態特征獲取能力，形成建筑群的短期負荷預測模型MF-STAGL，以某大學的建筑群負荷預測為例，結果表明可以準確實現負荷的預測。同時該方法不需要分別建立各個建筑的負荷預測模型，大大減少了模型建立的時間。
依托該論文的成果“融合 GCN 和 LSTM 的建筑群負荷預測方法”，榮獲2022年電力人工智能創新應用評選的“電力負荷預測技術創新獎”。該評選由中國電工技術學會人工智能與電氣應用專業委員會、國家能源智能電網（上海）研發中心等單位聯合組織，其核心理念是堅持綠色發展，通過先進計算與人工智能技術助力電力行業加快實現“碳達峰、碳中和”目標。本次評選共評出“電力負荷預測技術創新獎”2項。
文章鏈接：https://www.sciencedirect.com/science/article/pii/S037877882200737X
