区域建筑能源资源及负荷预测方法综述

冯逸夫，徐以洋，薛乔匀，张 吉

(1.中科华跃能源互联网研究院， 北京 100084； 2.中国电建集团 华东勘测设计研究院有限公司， 杭州 311100； 3.北京建筑大学 环境与能源工程学院 北京节能减排与城乡可持续发展省部共建国家协同创新中心， 北京 100044； 4.清华大学建筑节能研究中心， 北京 100084)

我国正处于城镇化迅速发展的进程当中，越来越多的建筑以区域形式建设并且配备有集中供能系统。相比于单体建筑，区域建筑群体包含的建筑物类型和功能复杂繁多，其供冷供热系统比单体建筑的系统更为复杂、投资更大、能耗更高。目前国内外关于单体建筑负荷的预测方法比较成熟，但是区域能源计算难度大，准确性难以保证。

区域能源资源、电力负荷和冷热负荷的预测对区域建筑规划以及运行有重要的支撑作用。其中，能源资源预测可以掌握区域内建筑可利用资源的储量及分布，提高本地资源利用率；电力负荷预测在电力系统建设、电力设备及电力系统配置和运行中有重要作用；冷热负荷预测则直接影响区域供冷供热系统的设计与设备选型、运行和调控。

本文对区域建筑规划设计以及运行调控所需要的能源资源、电力负荷、冷热负荷预测方法研究现状进行综述，通过对比分析各类型预测方法，探讨其适用性。

1 区域建筑能源资源预测方法

区域建筑能源资源可分为以电网电力、可再生能源等传统能源为主的供应侧资源以及通过采取节能措施、电网削峰填谷得到的虚拟能源为主的需求侧资源[1]。传统的方法基本是仅考虑供应侧资源而忽略了需求侧资源，随着城市化进程的加深以及碳达峰碳中和目标的提出，规划需求侧能源资源的必要性逐步凸显。

1.1 供应侧能源资源预测

1.1.1 能源资源模型法

能源资源模型法是规划阶段常用的预测区域供应侧能源资源的常用方法。该方法将区域内能源资源分为常规能源、可再生能源和未利用能源3类资源，并建立相应的计算模型对能源潜力进行统计[2]。常规能源模型主要包括天然气和电力等模型；可再生和未利用能源模型包括太阳能、生物质能和风能、浅层深层地热能、地表水及污水能、工业余热等模型。

这些方法旨在建立不同能源的模型后统计得到区域内的能源资源。对于不同的资源，许多学者已经进行了归纳总结并得到了简便的计算公式，以天然气和太阳能为例[3]，计算式分别如式(1)、式(2)所示：

Sn=qSq=q(Sp+Sc+Sf)

(1)

式中：Sn为天然气储能量，单位为J；q为天然气热值，单位为J/m3；Sq为天然气储量，单位为m3；Sp为已探明的天然气储量，单位为m3；Sc为已控制的天然气储量，单位为m3；Sf为预测的天然气储量，单位为m3。

(2)

式中：Rsth为太阳能热水储能量，单位为kJ；Is为太阳能年辐射量，单位为kJ/(m2·a)；v为容积率；n为建筑平均层数；λs为屋顶面积可使用率；γsth为太阳能热水器集热面积与水平面的面积之比；ηsth为太阳能热水器光热效率；As为建筑用地面积，单位为m2。

能源资源模型法对区域内每个资源都进行建模，最终叠加得到区域能源资源。该方法可以全面覆盖所有资源种类，较为简单，但是这些公式的准确性不能得到保证，同时模型中一些参数的获取也比较困难。

1.1.2 预测分析法

常规的能源资源模型法可以预测区域内所蕴含的能源资源，但实际上并不是所有的能源资源都能被完全利用。预测分析法通过对各种能源潜力进行预测，为进一步的能源规划提供参考。目前主流的预测分析法包括情景分析法、时间序列法、BP神经网络模型法和灰色预测法。

情景分析法是假定某种现象或趋势在未来能够持续发展的前提下，对将要出现的各种不同情景加以描述并在此基础上进行预测的一种方法[3]。通过分析各种不确定性因素对研究对象的作用和影响，整合出最有可能的结果。应用在能源资源预测时，情景分析法首先设定一些基础情景条件，如能源规划指标、当地社会经济、政策状况等，之后对这些参数在电力设备及规模、可再生能源利用情况等方面量化，最终进行具体计算分析能源潜力。ZAPPA等[4]就在2种不同的社会经济和政策条件下，分析了欧洲各地区未来的气候变化及风能潜力，对当地风力发电项目规划提供了指导意见。

时间序列法通过对按时间顺序排列的、随时间变化且相互关联的数据序列进行分析，根据时间序列所反映出来的事物发展变化规律，进行类推或延伸，从而预测下一段时间的水平，是一种回归预测方法。该方法承认事物发展的延续性，同时也充分考虑到由于偶然因素而产生的随机性[5]。经典的时间序列法模型有自回归模型(AR)、自回归滑动平均模型(ARMA)和差分自回归滑动平均模型(ARIMA)等，可用于太阳能、风能、水能等与时间相关的能源资源预测。孙春顺等[6]将单变量小时风速时间序列向量化，建立了向量自回归模型对小时风速进行了预测，为预测风电出力奠定了基础。GUPTA等[7]提出了一种ARIMA和Ensemble模型结合的混合方法来预测水库逐日和逐月入库流量，对印度3个水库的流量进行了预测，其结果有相当高的精度，对水力发电具有参考意义。

由于可实现对信息数据进行大规模并行处理、分布式存储等，以及其自身具有良好的自组织自学习能力，人工神经网络在信息处理、智能控制及系统建模等领域应用广泛。人工神经网络是建立模仿人脑神经元的算法模型来处理数据信息，其中结果误差为反向传播的BP神经网络(Back Propagation Neural Network)可以逼近任意连续函数，具有很强的非线性映射能力，网络的中间层数、各层的处理单元数及网络的学习系数等参数可根据具体情况设定，灵活性大[8]。BP神经网络法可以根据光伏发电或风电等的历史出力数据进行自学习，使算法不断分析参数的真实关系，对未来出力情况进行预测。ASKARZADEH[9]以电流、温度和辐照度为输入对可用于区域建筑所配置光伏组件的电压进行了预测，证明了单隐含层BPNN预测性能较好。

灰色系统即已知系统的部分信息但不完全知晓。灰色预测法通过识别各类型因素的差异，并分析其相关性，对数据和系统的变化进行预判分析，从而构建有逻辑性的系统数据，然后搭建计算数学模型，通过数据模拟运算来预测未来的变化规律。灰色预测法利用规律的数据反映预测的一系列数量值的变化逻辑，从而预测未来固定时间节点的参数和量，或达到某一特征量的时间。

1.1.3 因素分析法

因素分析法是一种定量分析指标与其影响因素关系的方法，可以量化各因素对分析指标的影响作用。在能源资源预测中，因素分析法基于社会经济系统对能源需求进行研究，在宏观尺度上对能源消耗做出预测判断。如利用部门分析法，从国家和民众的经济现状出发，按实际社会中的各个职能部门划分，并根据原始数据预测各部门的产值和能耗的发展趋势，即可预测能源消费量的发展趋势及其节能潜力。

1.2 需求侧能源资源预测

上述预测供应侧能源资源的情景分析法也可应用于需求侧能源资源预测。应用在需求侧能源资源预测方面时，情景分析法可分为3种情况：一是最大技术资源潜力分析，即假定区域内建筑均为理想节能建筑，建筑的围护结构、末端设备均采用最为节能的技术，将建筑热特性参数、设备运行参数进行量化，计算这种情况下的能耗与实际相比减少的能源资源；二是成本效益资源潜力分析，最节能的不一定是最经济的，成本效益资源是将节能技术与成本收益分析共同考虑后所得到的节能资源；三是行为节能资源潜力分析，即假定生活在区域的人们都遵守一定的节能规则，实施良好的节能行为，然后将人们行为规律化，建立数学模型带入到设备运行计算中，得出与实际相比减少的能源资源[10]。在应用时也可将成本效益与行为节能资源潜力分析结合，计算区域需求侧的能源资源量。

1.3 小结

能源资源模型法利用已有模型进行计算，涉及各方面能源分析，但模型准确性欠佳；预测分析法需要以大量的历史数据为基础利用数学方法或计算机手段进行分析，可处理关系复杂的数据，但对理论知识要求较高，建模过程复杂，且收敛特性易受原始数据影响；因素分析法是基于社会经济状况研究能源需求，适用于大范围的规划，例如城市级尺度甚至国家级能源发展规划的预测；需求侧的情景分析法目前仅是较为粗略的估计，需求侧能源资源预测法还需进一步发展。表1为不同方法在不同建筑规模中的应用性，其中因素分析法主要用于国家、城市级别宏观分析，能源资源模型法适用于建筑群、园区的整体能耗分析，而预测分析法则偏重于对单体建筑或单能源种类的分析，在对建筑群、园区尺度和多能源种类级别的分析中，还处于发展阶段。

表1 不同预测方法的适应分析对象Tab.1 Adaptation analysis objects for different forecasting methods

2 区域建筑电力负荷预测方法

区域建筑负荷预测对区域建筑规划设计、运行调控都具有重要的参考意义。目前，针对区域建筑电力负荷预测的方法已有多种，根据SWAN等[11]的研究，可将其分为2类：自上而下的方法和自下而上的方法。自上而下的方法从区域的宏观特征出发，根据区域内经济与能耗的关系外推得出区域负荷；而自下而上的方法则从单体建筑出发，通过聚合得到整个区域的负荷。

2.1 自上而下的方法

2.1.1 人均用电指标法

人均用电指标法[12]是城市规划阶段常用的一种预测电力负荷的方法，城市用电负荷等于人数乘以人均用电指标。该指标受规划期内城市社会经济发展、人口规模、资源条件、人民物质文化生活水平、电力供应程度等因素的制约，虽然该方法应用简单快捷，但人均用电指标较难确定，预测结果偏差较大。

2.1.2 电力弹性系数法

电力弹性系数是从宏观角度反映一段时间内电力消耗增长与国民经济发展关系的指标，区域总耗电量等于电力弹性系数、GDP增长率、前一年耗电量三者的乘积。吴安平[13]将全社会用电分成4部分，分别为第一、第二、第三产业及居民用电，利用电力弹性系数法对2000年贵州省的全社会用电进行了计算。随着社会进步与科技发展，电力调配技术与社会经济结构发生变化，电力弹性系数难以获取和预测，所以该法难以准确预测电力需求。

2.1.3 回归分析法

回归分析法是对大量统计数据进行数学处理，将数据中自变量与因变量的关系拟合一个相关性较好的回归方程，在此基础上外推来预测未来因变量的变化。在自上而下的方法中，回归分析法将历史用电负荷、经济水平、人口数据等拟合回归方程来预测负荷。BIANCO等[14]对意大利1970—2007年的历史用电量、GDP和人口数据采用了不同的回归模型，研究了经济和人口变量对年度电力负荷的长期影响，对意大利未来的电力负荷进行了预测，其结果与官方和社会机构的预测具有一致性。

2.2 自下而上的方法

2.2.1 单位面积指标法

单位面积指标法将预测区域分成工商业和住宅等，根据地区的整体规划、经济条件等，对各类建筑选择合适的负荷密度指标，推算整片区域的电力负荷需求。与人均用电指标法一样，该方法的负荷密度指标需要大量的历史数据进行统计分析得出，预测的结果存在偏差。

2.2.2 合成法与能量预报法

合成法与能量预报法以用户为基本单位，统计每一用户的用电设备种类及每种设备的平均用电水平，最终将所有用户的数据进行汇总统计[15]。能量预报法对区域内的用电情形分为居民、商业、工业等，预测各类用电的年负荷率，年耗电量与负荷率的比值即为负荷峰值，根据各类用电的负荷峰值及其比例因数即可得系统总峰值。

2.2.3 模拟仿真法

为了保证电力系统安全、可靠、经济的运行，在电力规划、分析和运行时需要确切地考察系统特性，因此可以采用模拟仿真的手段进行分析。根据应用场景与需求的不同可以将实现模拟仿真的软件分为2类。第一类依托于建筑模拟软件中的电耗计算部分，许多建筑能耗模拟软件可以做到电负荷的计算，如DeST、EnergyPlus等，应用这些软件时通常是先计算单体建筑的电负荷，再通过叠加等得到区域的电负荷。李琼[16]就在建筑结构、热特性参数、设备参数等已知的情况下，利用EnergyPlus对一个园区的电负荷进行了模拟预测，并分析了最经济的供电形式。第二类为电力数字系统仿真，如PSASP、PSCAD/EMTDC和PSD-BPA。此类方法主要针对大规模、时变的复杂系统。通过仿真计算和分析，对提高系统的安全性和稳定性提出建议，也可用于区域建筑电网的规划设计。陈鑫[17]利用PSASP建立了陕西某地区的电网模型，进行潮流计算分析，对该地区电网的安全稳定运行提出了建议。

2.2.4 Benders算法

Benders算法对实际求解目标进行初始数学描述，将初始问题分解为复杂变量为基础的主体问题和包括所有其他变量的子问题[18]。应用于区域能源电力预测时，先分析网络约束的经济型问题，最终得以求得初始问题的最优解。

2.2.5 蒙特卡罗方法

蒙特卡罗方法是目前电力系统较为常用的模拟仿真方法，主要用于电力系统可靠性评估等方面。然而传统蒙特卡罗方法需大量抽样、计算速度较慢，曾鸣等[19]在传统模拟仿真方法的基础上，整合了多元线性蒙特卡罗方法，将风电出力、光伏发电出力及系统负荷进行线性化，并且将其概率密度函数分割成相互对应的若干区间，在这些对应的区间里面进行多次、大量抽样，最终获取模拟分析结果。王利珍等[20]则在聚类分析的基础上，采用蒙特卡罗方法建立了区域建筑负荷模型，通过随机预测模型预测了区域建筑电负荷，并统计分析了区域建筑峰值电负荷的概率分布和累积概率分布，为区域能源系统和电力规划提供了参考。

2.2.6 数据驱动方法

数据驱动方法通过统计分析和机器学习算法建立所测真实数据与负荷的相关关系模型进行负荷计算。该方法需要大量的历史数据对模型进行训练，不断修改模型中的参数使输出结果误差降低至所要求的范围内。随着电力系统的改进和智能电表的使用，可统计详细的建筑用电数据，这极大促进了数据驱动方法在建筑电力负荷预测方面的应用。目前主流的数据驱动方法有：人工神经网络、支持向量机、数据回归等算法。LAOUAFI等[21]开发了一种基于前馈反向传播神经网络的方法预测了法国未来1 h的电力需求和风能和太阳能发电，并用的实际电力的数据进行了验证，发现预测结果具有较高的准确性，对电力负荷、风能和太阳能的预测平均绝对百分比误差值分别达到了0.765%、6.008%和6.414%。QIAN等[22]采用了优化后的支持向量机与递归神经网络结合对某工业园区的电力负荷进行了预测，其结果与实际测量误差较小。数据驱动方法的精确度高，但需要大量的历史数据，且训练后的模型普适性较差。

2.3 小结

电力预测方法特点各异：人均用电指标法、电力弹性系数法和单位面积指标法为静态估算法，无逐时值，需要历史数据进行分析，不足之处在于指标确定工作量大，且会高估区域负荷，通常适用于城市或国家尺度的长期(季、年)电负荷预测；自上而下的回归分析方法具有较好的准确性，适合区域负荷中期(周、月)和长期预测，但需要统计大量的历史数据；合成法分析细致但需要数据过于详细，仅适用于小面积区域；能量预报法可以区分各类建筑不同用电量，计算简单，不足在于只能得到年用电量峰值；模拟仿真法计算准确性高、能效高，适合中、长期的负荷预测，但是建模的过程中需要明确的边界条件；Benders算法可在区域能源规划中找到最优解，但建模过程比较复杂，需要较高的理论知识；蒙特卡罗方法预测精度高但需要大量样本数据。数据驱动方法的预测精确度高，可对区域短期(小时、天)和中期电负荷进行预测，但同样需要大量的历史数据，且训练后的模型普适性较差，每换一个区域都需要重新训练。表2总结了不同电力预测方法的适用对象。

表2 电力预测方法分类Tab.2 Classification of power forecasting methods

3 区域建筑冷热负荷预测方法

区域建筑供冷供热系统庞大复杂，耗能高，准确预测区域建筑冷热负荷对区域供冷供热系统的设计、运行调控具有重要作用。现阶段，建筑冷热负荷与经济等宏观条件相关性较小，主要是受气象条件与建筑围护结构热特性的影响，因此区域建筑冷热负荷预测方法大多为自下而上的方法。

3.1 单位面积指标法

单位面积指标法也可应用在区域建筑冷热负荷的预测，通过对大量历史能耗数据统计分析，得出各类建筑单位面积冷热指标，根据区域建筑类型、考虑同时使用系数后计算得出区域冷热负荷。

我国在实际工程初期大多采用这种方法对区域建筑冷热负荷进行预测，但面积指标是在多种影响因素同时出现的情况下确定的，而区域内所有建筑同时出现多个影响因素的概率很小，采用这种静态估算方法会高估区域总负荷[23]。而日本的面积指标法除了提出区域供冷供热领域中冷热负荷、电负荷、生活热水的设计值，还统计了各类建筑典型日的小时负荷曲线供参考，同时以东京负荷指标为基准，提出了区域系数的概念，即以其他地区的设计负荷为基准值乘以区域系数[24]。相比于只能计算静态负荷的面积指标法，这种提供负荷动态变化参考的方法值得推荐。

3.2 模拟仿真法

区域建筑类型复杂，数量繁多，通常计算建筑群的负荷过程中计算量较大，现有的模拟软件难以对区域中的每栋建筑进行详细建模计算，目前还没有针对区域尺度进行负荷预测的成熟模拟软件。为了减少工作量并保证计算的准确性，通常利用能耗模拟软件建立各类能够反映其建筑类型形态、规模、围护结构构成和内扰情况等的典型建筑模型，计算出不同类型建筑单位面积负荷特性曲线，进一步扩展来得到区域建筑群体的整体负荷。常用仿真模拟软件包括DesignBuilder、DeST、EnergyPlus、DOE-2、eQUEST、TRNSYS、Dymola等。如AN等[25]开发了一种新的随机建模方法得出了居民的详细居住行为模型，利用DeST对武汉某住宅小区内每套公寓的动态热负荷进行了模拟，相加后得到了住宅小区内建筑的综合热负荷。PARK等[26]采用TRNSYS的Type56模块对一住宅建筑进行动态模拟仿真，预测了区域供热负荷，并与稳态模型预测结果进行比较，发现TRNSYS动态模型预测结果更为精确。但TRNSYS中建筑的建模过程复杂，很难实现区域空间包含较多建筑的建模仿真。

3.3 情景分析法

情景分析法是模拟预测法的简化计算，通过典型参数代表全时间空间的结果。如预测冷负荷时，可以利用情景选取一些关键时刻点，利用模拟软件计算出各建筑在各点的冷负荷，然后得到一系列冷负荷的离散点，连接这些点就可以得到每日24 h周期内冷负荷的变化趋势。苑翔等[27]应用情景分析法把室外气候条件和建筑内负荷强度分别设置若干情景，并列出不同功能建筑的使用时间表，通过分析不同建筑在同一时刻出现的不同情景确定区域建筑总冷负荷。

3.4 负荷因子法

负荷因子法是一种在城市规划阶段预测建筑逐时冷负荷的简单方法。建筑冷负荷被分为内扰负荷和外扰负荷，其中外扰负荷模型被分为围护结构与新风模型，而内扰负荷包括人员、设备与照明模型。相应的负荷因子为基于温差的围护结构负荷因子、基于焓差的新风负荷因子、人员负荷因子以及设备负荷因子[28]。

3.5 外推法

当历史数据没有跳跃式变化、影响负荷发展的条件变化不大时，未来负荷变化规律可以根据历史的负荷变化规律推算出来。建立外推法负荷预测模型，需要对历史能耗数据进行统计分析，得到负荷与其影响因素的关系。外推法主要有回归分析法、时间序列分析法和人工智能法。

回归分析法预测是利用回归分析方法，根据自变量的变化预测与其有相关关系的某随机变量的未来值；时间序列分析法把负荷数据看作一个按季节、月、天或小时等周期性变化的时间序列，分析和处理历史数据，拟合出回归方程进行预测；人工智能法包括人工神经网络、BP神经网络、支持向量机等各种算法。其利用历史数据对算法进行训练，使算法不断逼近输入与输出的真实关系，最终通过输入建筑特性参数和气象参数等计算得到负荷预测值。

目前有许多学者采用外推法对冷热负荷进行预测研究，LI等[29]采用多元线性回归(MLR)模型、带有外因输入的自回归滑动平均(ARMAX)模型等对建筑冷负荷进行了预测，结果发现MLR模型的误差比ARMAX模型的小。FANG等[30]采用季节性差分自回归滑动平均(SARIMA)模型与天气相关线性回归模型相结合的方法，利用历史数据和室外温度、风速等外在因素预测了芬兰某城市区域供热负荷，与其他模型对比分析后发现该模型还需改进。YAN等[31]在考虑详细的围护结构性能参数情况下利用BP神经网络对7栋建筑的冷热负荷进行预测，预测结果与利用DeST模拟的数据吻合度达96%以上，可对建筑设计提供参考。LI等[32]将支持向量机与模糊C均值聚类相结合来预测建筑物的冷负荷，先使用模糊C均值聚类对原始数据聚类，降低训练样本数量，用这些样本对支持向量机进行训练。之后采用该模型对一学校的科研楼进行了冷负荷预测，其结果误差较小。目前基于外推法的负荷预测还集中在单体建筑，对区域建筑负荷的预测较少，随着算法的日益优化，外推法在负荷预测中的应用将会越来越广泛。

3.6 贝叶斯回归分析法

贝叶斯统计学是基于3种信息和2种分布的统计推断。3种信息包括总体信息、样本信息和先验信息，其中总体信息为总体分布所提供的信息，样本信息为从总体抽样的样本提供的信息，先验信息是指在抽样前有关统计问题的一些信息；2种分布包括先验分布和后验分布。在预测中，先建立该区域内各类型建筑的标准单体建筑模型得到逐时负荷，再将事先获得的各案例样本区域统计数据与已得到的该案例的先验信息一同代入到模型中进行计算，得到修正负荷值，进而得到新的修正后的逐时负荷预测值。

欧科敏[33]通过建立典型建筑对区域建筑群冷热负荷进行模拟，在计算出典型建筑的动态负荷后，利用贝叶斯回归模型对区域负荷预测进行了修正，结果具有良好的精度，其均方根相对误差为10.01%。SOKOL等[34]提出在建筑信息不完全的情况下用贝叶斯方法来定义和校准建筑模型，将模型描述中的不确定参数定义为概率分布，然后基于贝叶斯校正对这些分布进行更新，并基于EnergyPlus动态模拟计算，利用贝叶斯修正方法对剑桥地区2 000多座建筑进行了负荷预测。

3.7 小结

每一种区域建筑冷热负荷的预测方法均存在优势与不足。单位面积指标法计算方便快捷，但由于在单体建筑估算推算到区域建筑群体中，没有考虑到冷热负荷的逐时变化，包括建筑热惰性、蓄热、蓄冷等影响因素，所以计算得出的区域建筑群体负荷通常会偏大，应同时参考建筑典型日逐时动态负荷；模拟仿真法计算结果更加准确、过程更加快捷，适用于大规模的区域建筑群体，但是需要准确的天气数据和详细的建筑及能源设备系统的信息，建模复杂度高；情景分析法需要设定多种不同情景，分析较为复杂，还需要借助能耗模拟软件，并且建筑内部负荷强度的量化还存在问题，没有统一的标准；负荷因子法基于假设条件可以估算规划阶段城区的建筑冷热负荷，但是难以准确确定负荷因子，预测精度不高；外推法计算速度快，预测精度较高，但是需要一定的历史数据，且建模过程比较复杂，需要掌握复杂的理论知识；贝叶斯回归分析法综合了模拟分析与统计分析，在已有大量历史能耗数据的基础上可以较为准确地得到预测负荷，将蒙特卡罗与贝叶斯回归分析法结合预测结果精确度更高。表3总结了各类预测方法的适用性。

表3 各类预测方法适用性分析Tab.3 Applicability of various forecasting methods

4 结论

本文对区域能源资源、区域建筑电力、区域建筑冷热负荷预测方法的现有研究成果进行了回顾与介绍，比较分析各种预测方法的优缺点，并根据各自的特点探讨了其适用的对象。主要结论如下：

1)区域建筑能源资源预测主要针对集中供冷供热的建筑群、园区，或是城市、国家进行。对于我国现阶段缺少详细历史数据的情况，可采用简单的能源资源模型或与社会因素相关的方法进行预测，促进规划阶段工作的实施，且亟须考虑需求侧能源资源的预测及规划。

2)区域建筑电力负荷预测决定了发电、输电与配电的合理安排，不同电力负荷需根据用能设备特点分别预测。随着计算机技术、智能计量设备与交互式调控设备的发展，未来模拟仿真和数据驱动等方法将在电力负荷预测方面占据主体地位。

3)区域建筑冷热负荷预测是规划区域能源、分析和设计分布式能源系统的重要一环，直接影响系统是否能合理高效地运行。不同的预测方法精度不同，所需的边界条件也有所区别，在实际应用中应有所取舍与选择：规划阶段可参考单位面积指标法和负荷因子法的预测结果；在历史负荷数据充足的情况下，可以选用外推法进行预测；在建筑热特性参数及气候条件明了的情况下，选择模拟仿真法和情景分析法效果较好，当有一部分负荷数据时，可进一步采用贝叶斯回归分析法进行预测。