编辑推荐：
针对 IES 中多负荷季节分化潜在变化模式、复杂耦合特征挖掘不足等问题，研究人员提出考虑差异化周期 - 趋势特性的异构集成短期多负荷预测方法。实验表明电 / 冷 / 热预测平均百分比误差达 1.783%、1.012%、2.225%，提升了预测精度与可解释性。
在全球能源需求激增与碳中和目标的双重驱动下，综合能源系统（Integrated Energy System, IES）因能实现多能源协同互补成为能源转型的核心路径。然而，IES 中电、冷、热等多负荷受季节波动、气象条件和用户行为影响，呈现出强非线性、多尺度耦合及非平稳特性，传统单一模型难以捕捉其复杂动态规律，且 “黑箱” 预测模型缺乏可解释性，导致调度人员难以信任预测结果，制约了 IES 的安全高效运行。如何精准刻画多负荷的季节差异化周期趋势、构建高鲁棒性的集成预测框架并提升模型透明度，成为当前领域亟待突破的关键挑战。
为攻克上述难题，国内研究团队围绕 IES 多负荷的短期预测展开系统性研究。研究成果发表于《Engineering Applications of Artificial Intelligence》，旨在通过多技术融合实现对 IES 多负荷动态特性的深度解析与可靠预测，为能源系统的优化调度和低碳运行提供科学支撑。
研究团队采用了三项关键技术：首先，引入基于 Loess 的多季节趋势分解（Multiple Seasonal Trend decomposition using Loess, MSTL），将电、冷、热负荷分解为多时间尺度的周期和趋势序列，构建包含季节特征、趋势项及气象数据的多维度特征集，突破传统单周期分解对跨季节耦合特性刻画的局限；其次，在 Stacking 集成框架中嵌入基于多样性和准确率双指标的进化多目标优化机制，利用非支配排序遗传算法（NSGA-II）为不同季节的负荷动态筛选最优异构模型组合（决策树 DT、K 近邻 KNN、随机森林 RF、门控循环单元 GRU 等），实现预测精度与模型多样性的平衡；最后，基于夏普利加性解释（Shapley Additive Explanations, SHAP）构建全局与局部两层可解释分析范式，量化各输入特征（如时间、温度、历史负荷）对预测结果的边际贡献，揭示多负荷耦合的内在逻辑。
多尺度特征分解与耦合关系挖掘
通过 MSTL 对亚利桑那州立大学坦佩校区 IES 的 2020-2021 年小时级负荷数据进行分解，发现电负荷呈现显著的 “工作日 - 周末” 周周期和 “夏季高峰 - 冬季平稳” 的季节周期，而热负荷则与供暖需求直接相关，在冬季夜间出现峰值。冷却负荷受气温影响显著，与电负荷在夏季形成强耦合。研究通过相关性分析筛选出跨季节强相关特征，如夏季冷却负荷的周周期分量与电负荷的日波动趋势相关性达 0.82，为后续集成建模提供了关键输入。
异构集成模型的多目标优化
在 Stacking 框架中，研究构建了包含 4 类基础模型的异构库，并针对春、夏、秋、冬四季分别训练。以多样性指数（基于模型预测残差的互信息）和拟合系数（R2）为优化目标，NSGA-II 算法在每个季节筛选出 3-4 个最优模型组合。例如，夏季电负荷预测的最优组合为 RF+GRU+KNN，其多样性指数达 0.68，R2 为 0.972，较单一 GRU 模型误差降低 23%。实验表明，多目标优化机制显著提升了模型对季节突变负荷的鲁棒性，冬季热负荷预测的平均绝对百分比误差（MAPE）仅为 2.225%。
基于 SHAP 的可解释性分析
全局分析显示，在电负荷预测中，“日间时段”（SHAP 值 0.35）、“温度”（0.28）和 “前一日负荷”（0.22）是最主要影响因素，其中温度与电负荷呈非线性关系，当气温 > 30℃时，每升高 1℃电负荷增加 1.2%。局部分析则揭示了个体样本的特征贡献差异，如某冬季工作日的热负荷预测中，“供暖设定温度” 的 SHAP 值达 0.41，显著高于平均水平，表明用户行为模式对特定场景预测起决定性作用。
研究提出的异构集成方法在 IES 多负荷预测中实现了精度与可解释性的双重提升。与现有单一模型相比，电、冷、热负荷的平均预测误差分别降低至 1.783%、1.012% 和 2.225%，且通过 SHAP 分析明确了季节特征、气象因子与负荷间的量化关系。该研究为 IES 的实时调度、设备容量规划及用户用能行为引导提供了可操作的技术方案，推动了人工智能在能源系统中从 “预测工具” 向 “决策支持” 的升级。未来研究可进一步融合用户侧实时数据，拓展模型对极端天气和突发事件的适应性，为构建零碳智慧能源系统奠定基础。
