《Information》:Multi-Scale Spatiotemporal Fusion and Steady-State Memory-Driven Load Forecasting for Integrated Energy Systems
Yong Liang,
Lin Bao,
Xiaoyan Sun and
Junping Tang
编辑推荐:
摘要:针对校园建筑多负荷(电、冷、热等)能耗预测中单一时间尺度难以同时捕捉短期波动与长期周期模式的问题,研究人员提出一种融合多尺度混合卷积(MultiScale Hybrid Convolver, MSHC)与时序分段Transformer(Temporal
摘要:针对校园建筑多负荷(电、冷、热等)能耗预测中单一时间尺度难以同时捕捉短期波动与长期周期模式的问题,研究人员提出一种融合多尺度混合卷积(MultiScale Hybrid Convolver, MSHC)与时序分段Transformer(Temporal Segmentation Transformer, TST)的端到端预测框架。首先,MSHC在不同卷积核尺度s上对输入特征图Fs执行带对称填充的二维卷积操作,并通过可学习的尺度权重αs(由全局平均池化及Softmax归一化得到)对各尺度输出Gs进行自适应加权融合,获得多尺度融合特征图F^;随后将F^按列优先展平为一维时序信号,采用滑动窗口(窗长L,步长F)切片生成段序列,经线性嵌入与位置编码后输入Transformer编码器以捕获长程依赖与多尺度动态特性;最终由全连接层输出多负荷预测值。研究在校园能耗数据集上的实验表明,所提方法较基准模型显著降低了均方根误差(RMSE)与平均绝对百分比误差(MAPE),验证了多尺度特征自适应融合与时序分段建模对提升建筑多负荷预测精度的有效性。
研究背景与意义
建筑能耗占社会总能耗的较大比例,其中校园建筑群因功能复杂呈现多负荷(电力、制冷、供热等)耦合与强时变特性。传统预测方法(如ARIMA、标准RNN/LSTM)受限于单一时间尺度建模,难以同时表征日内短周期波动与跨日/跨季长周期趋势;常规卷积神经网络(CNN)固定感受野无法兼顾局部细节与全局上下文,且各尺度贡献通常均等加权缺乏自适应性。针对上述问题,研究人员设计并验证了集成多尺度混合卷积与时序分段Transformer(Temporal Segmentation Transformer, TST)的建筑多负荷能耗预测架构,相关成果发表于《Information》。
主要关键技术方法
研究人员采用校园建筑多负荷能耗实测数据集(含电、冷、热负荷及气象参量,时间分辨率15 min)为实验对象。(1) 多尺度混合卷积模块(MultiScale Hybrid Convolver, MSHC):对每一尺度s(对应s×s卷积核),以零填充保证同尺寸输出,执行二维卷积Ws(cout,cin,i,j)?T(cin,x+i,y+j)+bs(cout),接1×1逐点卷积扩维得Gs;计算各尺度全局平均池化zs=1/(H·W)·Σx,yGs(:,x,y),经Softmax得可学习权重αs=exp(zs)/Σs'exp(zs'),融合输出F^=Σsαs·Gs。(2) 时序重构与分段:将F^按列优先展平为长度T的一维序列,取段长L=16(对应4 h@15 min)、滑动步长F,若尾段不足则末端重复填充,生成P=?(T-L)/F?+1个片段Xp(i)=x((i-1)F+1):((i-1)F+L),i=1,…,P。(3) TST编码与预测:片段经可学习线性投影与位置编码送入多层Transformer Encoder提取全局依赖,最后接全连接层回归多负荷未来值。模型以RMSE与MAPE为损失函数,采用Adam优化器训练,并与SVR、LSTM、标准TCN及单尺度CNN作对比。
研究结果
2.2. MultiScale Hybrid Convolver
研究人员设计多尺度并行卷积结构,对输入特征图Fs(cout,x,y)在各尺度s∈{3,5,7,…}执行same卷积:Fs(cout,x,y)=Σcin,i,j=-pspsWs(cout,cin,i,j)·T(cin,x+i,y+j)+bs(cout),其中ps=?s/2?为填充半径。经1×1卷积通道扩展得Gs(c'out,x,y)=ΣcoutW1×1(c'out,cout)·Fs(cout,x,y)+b1×1(c'out)。引入尺度注意力——各尺度全局平均池化zs后经Softmax获权重αs,融合输出F^(c'out,x,y)=Σsαs·Gs(c'out,x,y)。实验表明该自适应加权优于固定等权融合,能有效抑制噪声尺度干扰。
2.3. Temporal Segmentation Transformer (TST)
将F^按列主序展平为 univariate time series x(t), t=1…T。设定片段长度L=16(经敏感性分析L∈{8,12,16,24,32}确认最优)、滑动步长F,生成P个片段Xp(i),末段不足L时复制尾部值填充得Xp(P)。各片段经Embedding Layer映射为d维向量并叠加可学习位置编码(Positional Encoding),输入N层Transformer Encoder(多头自注意力+前馈网络+残差连接+LayerNorm)。研究人员指出列优先展平保持时间相邻性,分段策略使Transformer关注局部上下文同时降低全序列计算开销。输出经全局平均池化(或取[CLS]标记)与MLP回归头输出多负荷预测向量。对比实验显示TST较LSTM基线更好捕获跨时段依赖,降低预测偏差。
讨论与结论
研究人员得出结论:(1) MSHC通过多尺度卷积核并行提取空间特征并结合通道注意力自适应分配尺度权重,克服了单一感受野CNN对多频能耗模式表征能力不足的问题;(2) 将融合特征图列优先展平并分段输入Transformer,在保留局部时序结构的同时使模型能捕获长程周期依赖,优于直接将整个序列输入或仅用RNN建模;(3) 在校园多负荷数据集上,所提MSHC-TST模型RMSE与MAPE均低于SVR、LSTM、TCN及单/双尺度CNN对照模型,尤其中高负荷波动时段预测精度提升明显;(4) 敏感度分析证实段长L=16(对应校园日用能4 h内在周期)与步长F的合理搭配在精度与计算成本间取得较好平衡。该研究表明多尺度特征自适应融合与时序分段Transformer联合建模可有效提升建筑多负荷能耗预测性能,为智慧能源管理系统的负荷调度与节能策略制定提供可靠的数据驱动支撑。