Naukowcy przeprowadzili kompleksowy przegląd porównawczy 13 hybrydowych podejść do prognozowania zapotrzebowania na energię termiczną w budynkach, testując je na rzeczywistych danych historycznych z gospodarstw domowych w Szkocji w połączeniu z archiwalnymi prognozami pogody. Model EMD-LSTM-Markov, łączący Empirical Modal Decomposition z sieciami LSTM i łańcuchami Markowa, osiągnął najwyższą dokładność w przewidywaniu dzień naprzód profili zapotrzebowania na ogrzewanie i ciepłą wodę użyteczną, choć wykazywał tendencję do niedoestymacji wysokich pików mocy.
Większość testowanych metod opiera się na połączeniu modeli data-driven z technikami optymalizacyjnymi lub metaheurystycznymi do identyfikacji parametrów. Inne sprawdzane podejścia, takie jak Support Vector Machine - Simulated Annealing i Random Forest - Improved Sparrow Search Algorithm - LSTM, miały tendencję do wygładzania prognoz i niedoestymacji szybkich zmian zapotrzebowania, szczególnie istotnych szczytów mocy.
Rozwój dokładnych hybrydowych modeli prognozowania ma kluczowe znaczenie dla inteligentnych systemów zarządzania energią w budynkach. Precyzyjne prognozy zapotrzebowania termicznego pozwalają na lepszą optymalizację systemów grzewczych, redukcję strat energii i bardziej efektywne zarządzanie sieciami ciepła, co przekłada się na niższe koszty operacyjne i zmniejszony wpływ na środowisko.