《Results in Engineering》:Accurate Electricity Consumption Forecasting for Industrial Energy Management
编辑推荐:
高精度工业电力消耗预测对于有效的能源管理系统(Energy Management System, EMS)至关重要。本研究提出一种鲁棒的三阶段时序预测(Time Series Forecasting, TSF)方法,用于工业电能消耗的短期预测,旨在提升预测精度
高精度工业电力消耗预测对于有效的能源管理系统(Energy Management System, EMS)至关重要。本研究提出一种鲁棒的三阶段时序预测(Time Series Forecasting, TSF)方法,用于工业电能消耗的短期预测,旨在提升预测精度与可解释性。首先,采用贝叶斯优化–变分模态分解(Bayesian Optimization-Variational Mode Decomposition, BO-VMD)混合方法,通过自动调优VMD的参数(模态数K与惩罚因子α)将原始信号自适应分解为若干本征模态分量。其次,利用随机森林回归(Random Forest Regressor, RFR)结合SHapley Additive exPlanations(SHAP)进行可解释的特征选择,识别最相关变量并剔除冗余输入,以提高模型效率与可解释性。最后,提出一种精密的预测模型——SOMA-Bi-NOA-LSTM:该模型采用多输入多输出(Multi-Input Multi-Output, MIMO)架构、双向(Bidirectional, Bi)结构以捕获长距离时序依赖关系,并使用无输出激活函数长短期记忆网络(Non-Output Activation Long Short-Term Memory, NOA-LSTM)层以更好地保留学习到的信息;采用自组织迁移算法(Self-Organizing Migrating Algorithm, SOMA)优化模型超参数。研究人员在真实工业电力消耗数据上进行1小时预测步长的测试,所提出的BO-VMD-RFR-SHAP-SOMA-Bi-NOA-LSTM模型表现出优越的预测精度,均方误差(Mean Squared Error, MSE)为0.429 kW2,均方根误差(Root Mean Squared Error, RMSE)为0.655 kW,平均绝对误差(Mean Absolute Error, MAE)为0.505 kW,决定系数(R2)为0.99977。结果表明该模型在增强EMS效率与优化工业能源管理方面具有重要潜力。
论文解读:Accurate Electricity Consumption Forecasting for Industrial Energy Management
研究背景与意义
工业环境中的精确电力消耗预测是支撑能源管理系统(Energy Management System, EMS)、需求侧响应及动态定价决策的核心任务。准确预测可使企业优化生产排程、减少能源浪费、降低峰值需量电费并改善电网稳定性。然而,工业用电负荷具有强非线性、受内外因素(温度、工作时间、突发工况切换)影响显著及长时(Long-Term, LT)时序依赖等复杂特征,传统统计模型(如ARIMA、SARIMA)难以捕捉此类多尺度非线性模式,而现有多数深度学习混合模型仅单独优化超参数或特征选择环节,未形成端到端集成框架,且缺乏可解释性。针对上述问题,Makri等人在《Results in Engineering》上发表该研究,提出一种集成信号自适应分解、可解释特征选择与深度神经网络超参数元启发式优化的三阶段时序预测框架,并在摩洛哥卡萨布兰卡某真实工业数据集上验证其有效性。研究结论表明:所提BO-VMD-RFR-SHAP-SOMA-Bi-NOA-LSTM模型相较基准模型RMSE降低近60%,达0.655 kW,R2达0.99977,显著优于单一LSTM、Bi-LSTM及NOA-LSTM,且SOMA优化效果优于粒子群优化(Particle Swarm Optimization, PSO)与Hyperband(Hb)。
主要关键技术方法
研究人员采集摩洛哥卡萨布兰卡某工业企业2020年10月12日至2021年1月21日、分辨率为1 min的电气数据(三相电流I?–I?、三相电压V?–V?、全局有功功率P、全局无功功率R、频率f),缺失值以变量均值填补后重采样为10 min间隔。方法分三步:①用贝叶斯优化(Bayesian Optimization, BO)搜索变分模态分解(Variational Mode Decomposition, VMD)最优参数(K∈[2,15], α∈[400,2000])得BO-VMD分解分量;②以随机森林回归(Random Forest Regressor, RFR)计算特征重要性,再用SHapley Additive exPlanations(SHAP)筛选前12个最重要特征;③构建双向无输出激活长短期记忆网络(Bidirectional Non-Output Activation LSTM, Bi-NOA-LSTM),以多输入多输出(Multi-Input Multi-Output, MIMO)方式预测未来6步(1 h),并分别用Hyperband(Hb)、PSO及自组织迁移算法(Self-Organizing Migrating Algorithm, SOMA)优化网络超参数(层数、单元数、Dropout率、学习率、Epochs、Batch Size、损失函数、优化器)。经Min-Max归一化、按9:1划分训练测试集、滑动窗口(窗口长度N)构造样本后开展消融实验与对比实验。
研究结果
3.1 Data acquisition
数据集来自摩洛哥卡萨布兰卡某工业实体,含时间戳及9个电气变量,经缺失值处理与10 min重采样后用于后续分析。
3.2 Data decomposition using BO-VMD
BO寻优得到VMD最优参数K=15、α=500,原始有功功率信号被分解为15个模态分量(Mode 1为低频趋势,Modes 2–5为中频负载变化,Modes 6–15为高频噪声与短时波动),重构误差最小,验证了BO-VMD可有效隔离不同频带信息。
3.3 Feature selection using RFR-SHAP
RFR重要性排序显示I?、I?贡献最大,I?与R次之,VMD模态贡献较小,V?–V?与f影响微弱;SHAP Summary Plot进一步确认前12重要特征为[I?, I?, R, I?, V?, V?, V?, Mode_1, Mode_12, Mode_13, Mode_2, Mode_11],据此降维输入模型。
3.4 Data preparation
所有特征做[0,1]区间Min-Max缩放,90%训练验证、10%测试,滑动窗口构造时序样本供LSTM类网络学习。
3.5 Global active power forecasting results
3.5.1 Case 1: Ablation Study without Hyperparameter
四步渐进消融显示:Step 1基线Bi-NOA-LSTM(RMSE=2.301)较标准LSTM(RMSE=2.760)降约17%;Step 2引入BO-VMD后BO-VMD-Bi-NOA-LSTM降至RMSE=1.826(再降约21%);Step 3加RFR筛选后BO-VMD-RFR-Bi-NOA-LSTM达RMSE=1.294(降约29%);Step 4换用RFR-SHAP筛选后BO-VMD-RFR-SHAP-Bi-NOA-LSTM达RMSE=0.938(较Step 3再降约28%)。完整管线较基线Bi-NOA-LSTM累计RMSE降幅近60%,证明各模块具累积协同增益,且Bi-NOA-LSTM结构始终优于LSTM/Bi-LSTM/NOA-LSTM单体。
3.5.2 Case 2: Performance Evaluation with Hyperparameter Optimization
以Hb、PSO、SOMA分别优化完整管线超参数后:Hb优化模型MSE=0.495、RMSE=0.703、MAE=0.560、R2=0.99974;PSO优化模型MSE=1.732、RMSE=1.316、MAE=0.975、R2=0.99909;SOMA优化模型MSE=0.429、RMSE=0.655、MAE=0.505、R2=0.99977。SOMA-BO-VMD-RFR-SHAP-Bi-NOA-LSTM误差最低、拟合优度最高,箱线图显示SOMA验证损失中位数最小,确认SOMA为该预测任务中最有效的超参数优化算法。
讨论与结论(翻译浓缩)
研究表明,所提三阶段集成方法——BO-VMD自适应信号分解、RFR-SHAP可解释特征选择、Bi-NOA-LSTM结合SOMA超参数优化——可显著提升工业电力消耗时序预测精度与可解释性。消融实验量化了各模块贡献:BO-VMD使RMSE降约21%,RFR-SHAP相较仅用RFR再降约28%,完整框架较基线Bi-NOA-LSTM累计RMSE降近60%。SOMA优化效果优于PSO与Hyperband。该框架为工业EMS提供了稳健、可解释且可扩展的短期负荷预测方案,可支持更优的生产计划制定、峰值负荷削减与能效提升策略。未来研究将拓展至多时段预测、在线学习适应及引入更多外部影响因素(温湿度、排产计划)与不确定性量化分析。