近日，国际建筑能源领域的著名期刊Energy and Buildings（2区TOP，影响因子：7.201）在线发表了工学院科研团队题为 “A multi-information fusion model for short term load forecasting of an architectural complex considering spatio-temporal characteristics”的研究论文，论文由北京林业大学为第一完成单位，工学院青年教师谢将剑为第一作者，该工作得到伦敦帝国学院 (Imperial College London) Björn W. Schuller教授的指导。

　　实现建筑节能和碳减排，对降低全球能源消耗和碳排放具有重要意义，有利于加快实现“碳达峰、碳中和”目标。准确的短期负荷预测是合理的能源调度和建筑的最佳运行的基础。研究团队发现建筑负荷除了本身呈现周期性的时间特征之外，不同建筑负荷之间还存在空间关联。

　　基于上述分析，研究团队创新性地引入图卷积网络（Graph Convolutional Network，GCN）获取不同建筑负荷之间的空间特征，融合长短期记忆网络（Long-Short Term Memory，LSTM）获取建筑负荷本身的时间特征，并加入空间注意力和时间注意力机制提高动态特征获取能力，形成建筑群的短期负荷预测模型MF-STAGL，以某大学的建筑群负荷预测为例，结果表明可以准确实现负荷的预测。同时该方法不需要分别建立各个建筑的负荷预测模型，大大减少了模型建立的时间。

　　依托该论文的成果“融合 GCN 和 LSTM 的建筑群负荷预测方法”，荣获2022年电力人工智能创新应用评选的“电力负荷预测技术创新奖”。该评选由中国电工技术学会人工智能与电气应用专业委员会、国家能源智能电网（上海）研发中心等单位联合组织，其核心理念是坚持绿色发展，通过先进计算与人工智能技术助力电力行业加快实现“碳达峰、碳中和”目标。本次评选共评出“电力负荷预测技术创新奖”2项。

　　
      文章链接：https://www.sciencedirect.com/science/article/pii/S037877882200737X