基于混合弹性权重巩固(EWC)与突触智能(SI)的建筑能耗预测持续学习

《Energy and AI》:Continual Learning for Building Energy Forecasting via Hybrid Elastic Weight Consolidation and Synaptic Intelligence

【字体: 大 中 小 】 时间:2026年08月27日 来源:Energy and AI 9.7

编辑推荐:

  准确的建筑能耗预测对于智能电网管理和碳减排至关重要,但传统的静态模型由于非平稳环境和概念漂移而面临性能退化。为解决这一灾难性遗忘难题,本研究提出了一种基于混合持续学习方法的动态能耗预测框架。该模型结合了非对称编码器-解码器卷积门控循环单元(convolutio

  
准确的建筑能耗预测对于智能电网管理和碳减排至关重要,但传统的静态模型由于非平稳环境和概念漂移而面临性能退化。为解决这一灾难性遗忘难题,本研究提出了一种基于混合持续学习方法的动态能耗预测框架。该模型结合了非对称编码器-解码器卷积门控循环单元(convolutional gated recurrent unit, ConvGRU)主干网络与注意力机制,以提取复杂的时空特征。关键的是,引入了一种融合弹性权重巩固(Elastic Weight Consolidation, EWC)与突触智能(Synaptic Intelligence, SI)的双重正则化机制,在不需存储历史数据的情况下平衡网络稳定性与可塑性。在四个真实公共建筑数据集上的实证评估表明,该框架始终优于静态基线和朴素正则化实现。所提方法实现了较高的预测精度,在最优月度更新配置下平均R2为0.94,平均绝对百分比误差(mean absolute percentage error, MAPE)为5%,同时在剧烈环境转变期间最大预测误差降低了78%。本研究建立了一种无需重放的鲁棒正则化方法学,可用于长期动态运行中的连续自适应能源管理。
全球为控制温升而推进能源系统低碳转型,建筑部门作为能耗和碳排放大户,其智能化改造至关重要。建筑能耗预测是激活建筑侧灵活资源的核心技术,但传统静态模型在非平稳环境中因概念漂移而性能退化。持续学习虽能在线更新模型并缓解灾难性遗忘,但现有方法仍有局限:弹性权重巩固(EWC)因静态Fisher信息矩阵导致过度巩固,突触智能(SI)对噪声敏感且缺乏长期模式保留。为此,研究人员构建了混合EWC-SI持续学习框架,以非对称编码器-解码器卷积门控循环单元(EDCG)结合注意力机制为基础模型,提取复杂时空特征;通过将EWC的宏观后验曲率与SI的微观梯度路径积分进行归一化加权融合,生成综合重要性指标Ω,在不存储历史原始数据的前提下对参数施加差异化二次约束,实现动态闭环预测。研究使用Building Data Genome项目中北美四个公共建筑数据集(两栋办公楼、一栋教育设施、一栋商业建筑)进行验证,其中办公楼1采用2015—2017年共24个月数据。论文发表于《Energy and AI》。

研究采用的主要关键技术包括:构造ConvGRU编码器和注意力GRU解码器构成的EDCG基线;利用EWC的Fisher信息矩阵与SI的参数路径积分,经全局归一化和加权线性融合(α=0.4,β=0.6)形成综合重要性度量;采用因果分块完整自适应噪声集成经验模态分解(CEEMDAN)处理非平稳信号,并严格使用前端滚动窗口以避免数据泄漏;动态更新采用月度或四个月度的增量正则化训练,所有方法均在零重放约束下评估。实验以静态建模、累积重训练(AR)和朴素EWC为基准,使用R2、RMSE、MAE和MAPE进行评估。

4.1 基础EDCG模型性能分析:在12个月动态更新周期内,与LSTM和CNN-LSTM基线相比,EDCG在MAE、MSE、RMSE、R2和MAPE上均取得最优结果,平均R2达0.882,MAPE为7.35%,且在负荷峰值和季节过渡期拟合更精确,验证了其强大的时空特征提取能力,为后续持续学习提供了高表达力参数空间。

4.2 EWC-SI持续学习方法的性能比较:通过5折时间序列交叉验证对融合权重进行敏感性分析,发现α=0.4、β=0.6时平均R2=0.942、MAPE=5.02%为最优配置。该比例表明SI主导塑性以适应缓慢概念漂移,EWC提供结构锚定以保持历史热动力学知识。在月度更新下,EWC-SI平均R2=0.915、MAPE=3.82%,最大MAE较静态模型降低78.38%,精度接近需要存储全部历史数据的AR模型;在四个月更新下,EWC-SI仍保持平均R2=0.812、MAPE=5.78%,最大MAE较静态基线降低66.16%,显著优于朴素EWC。同时,EWC-SI计算开销恒定,适合轻量化边缘部署。

4.3 模型参数演化分析:通过对比12个月增量过程中各层权重更新轨迹,EWC-SI比朴素EWC具有更大的更新幅度,但验证精度更稳定。说明SI模块解除了静态Fisher矩阵对冗余参数的过度约束,使模型在保留核心历史知识的同时吸收新数据模式,实现了稳定性与塑性的最优平衡。

讨论部分强调,EWC与SI的协同机制分别锚定低频稳定模式和适应高频瞬态变化,与CEEMDAN的多尺度分解天然互补,从而在不存储原始数据的前提下持续适应非平稳环境。研究结论可概括为:本研究提出的混合EWC-SI持续学习框架在严格无历史原始数据存储约束下,有效缓解了非平稳场景中的灾难性遗忘,通过结合非对称EDCG时空主干和双重正则化机制,实现了模型稳定性与可塑性的平衡,为长期自适应建筑能耗管理提供了一种轻量、可边缘部署的解决方案。未来工作将探索将该双正则化策略推广至Transformer等先进骨干架构,并发展层次化联邦持续学习以支持城市级多建筑部署,同时通过量化、剪枝和知识蒸馏优化边缘部署效率。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号