基于元启发式搜索与二值掩码剪枝的LSTM架构优化框架及其在太阳能预测中的应用

《Sustainability》：A Dual-Stage Metaheuristic-Adam Optimization Framework for Structural LSTM Pruning: Application to Solar Energy Forecasting

　　

摘要

长短期记忆（LSTM）网络作为循环神经网络（RNNs）的一个专门类别，在捕捉时间序列数据中的时序依赖性方面表现优异，但由于手工架构设计和参数冗余，面临着显著的性能权衡问题。本研究提出了一种双阶段架构优化框架，旨在提升LSTM的计算效率和结构紧凑性。该框架将元启发式搜索技术——具体包括遗传算法（GA）、粒子群优化（PSO）和模拟退火（SA）——与候选搜索阶段的Hadamard积二值掩码剪枝相结合，随后通过物理子网络提取进行部署。配合Adam优化器进行权重更新，该方法通过在真实光伏电站数据上进行太阳能预测的实证应用加以验证。实验结果表明，所提出的框架将活跃网络容量物理剪枝至23.6–28.3%（将参数量从1051 K降至248 K，FLOPs从2.10降至0.49 MFLOPs），同时在30个独立种子下实现了优异的预测精度（，MAE kW），并达到亚毫秒级推理延迟（≤0.92 ms）。通过超越标准基线模型和现代时间序列架构，该框架为可再生能源系统中的实时边缘端序列预测提供了高效的解决方案。