QPSO-optimized VMD-SE-transformer-BiLSTM for short-term air conditioning load forecasting in industrial buildings

Unofficial AI-generated summary based on the public title and abstract. Not an official translation.

🔬研究者:Provides a novel hybrid forecasting approach that combines VMD, SE, Transformer, and BiLSTM, optimized with QPSO, demonstrating high accuracy for industrial load forecasting.

🏢実務担当者:The model can be used for intelligent HVAC scheduling and demand response in industrial buildings to reduce energy consumption and carbon emissions.

産業用建物の空調負荷は、生産プロセスと外部気象条件との相互作用により、かなりの非線形性、非定常性、および多スケール変動を示す。本研究では、Variational Mode DecompositionとSample Entropy（VMD–SE）を、Quantum Particle Swarm Optimization（QPSO）を用いて最適化されたtransformer–Bidirectional Long Short-Term Memory（BiLSTM）ネットワークアーキテクチャと統合した、3段階のハイブリッド予測フレームワークを提案する。VMD–SEモジュールは、エントロピーに基づく成分スクリーニングにより負荷信号を再構成し、高周波ノイズを大幅に低減しつつ、必須の動的特徴を維持する。二重経路のtransformer–BiLSTMネットワークは、長期的な大域依存関係と短期的な局所的変化を同時に捕捉し、広範な時間表現を促進する。QPSOは、その中核パラメータを自動調整することにより、より効率的な収束、安定性の向上、および強化された大域探索を達成する。中国湖北省の産業施設から得られた、異なる季節と負荷レベルを反映する2つの実世界データセットを用いて、アブレーション実験と比較実験による検証を行った。提案モデルは、SVR、GRU、およびCNN–informerなどのベースラインモデルを上回り、決定係数（R2）0.981 23および二乗平均平方根誤差0.181 32を達成した。これらの知見は、提案モデルが様々な状況において有効かつ多用途であり、産業施設におけるインテリジェントなHVACスケジューリング、動的デマンドレスポンス、および低炭素エネルギー管理のための理論的理解と実践的指針の両方を提供することを示している。我々の結果は、モデルが堅牢かつ柔軟であり、インテリジェントなHVACスケジューリング、デマンドレスポンス、および産業用炭素削減のための実践的かつ理論的に裏付けられたアプローチを提供することを示している。

AI 翻訳（deepseek-v4-flash）。 正確を期す場合は下の原文を参照してください。

The air-conditioning loads of industrial buildings exhibit considerable nonlinearity, nonstationarity, and multi-scale variability due to the interaction between production processes and external weather conditions. This study proposes a three-stage hybrid forecasting framework that integrates Variational Mode Decomposition and Sample Entropy (VMD–SE) with a transformer–Bidirectional Long Short-Term Memory (BiLSTM) network architecture, optimized using Quantum Particle Swarm Optimization (QPSO). The VMD–SE module reconstructs the load signal by entropy-based component screening, significantly reducing high-frequency noise while maintaining essential dynamic features. The dual-path transformer–BiLSTM network concurrently captures long-term global dependencies and short-term local changes, facilitating an extensive temporal representation. By automatically adjusting its core parameters, QPSO achieves more efficient convergence, increased stability, and enhanced global search. Two real-world datasets obtained from industrial facilities in Hubei, China, reflecting distinct seasons and load levels, were utilized for validation using ablation and comparative experiments. The proposed model outperformed benchmark models such as SVR, GRU, and CNN–informer, achieving a coefficient of determination (R2) of 0.981 23 and a root mean square error of 0.181 32. The findings indicate that the proposed model is effective and versatile across various situations, offering both theoretical understanding and practical guidance for intelligent HVAC scheduling, dynamic demand response, and low-carbon energy management in industrial facilities. Our results show that the model is robust and flexible, providing a practical and theoretically grounded approach for intelligent HVAC scheduling, demand response, and industrial carbon reduction.

• semanticscholar https://doi.org/10.1063/5.0319827first seen 2026-05-06 00:07:34 · last seen 2026-08-11 05:05:11