农村电气化的迁移学习框架:基于门控循环单元(GRU)的自定义损失函数的需求预测方法

《Results in Engineering》:Transfer Learning Framework for Rural Electrification: A GRU-Based Approach with Custom Loss for Demand Prediction

【字体: 大 中 小 】 时间:2026年02月05日 来源:Results in Engineering 9.4

编辑推荐:

  电气能(Electrical energy)是全球社会经济和技术经济发展的关键驱动力。实现普遍接入同时推进气候目标需要转向分散式、可再生能源驱动的能源系统,特别是在服务不足的地区。然而,有限的数据可用性,尤其是在未通电的偏远社区,对准确预测电力需求和规划农村微

  
电气能(Electrical energy)是全球社会经济和技术经济发展的关键驱动力。实现普遍接入同时推进气候目标需要转向分散式、可再生能源驱动的能源系统,特别是在服务不足的地区。然而,有限的数据可用性,尤其是在未通电的偏远社区,对准确预测电力需求和规划农村微电网构成了重大挑战。本研究通过提出一种基于门控循环单元(Gated Recurrent Unit, GRU)的迁移学习模型,并采用自定义MSE-JSD损失函数来解决这一差距。研究人员使用了来自三个社区的历史数据和模拟数据,在两种实验场景中进行了实验,包括跨领域的预训练-微调策略。为了严格评估模型性能,进行了配对t检验(paired t-test)和双因素方差分析(Two-Way ANOVA)。结果表明,GRU-MSE-JSD显著优于其他模型(p < 0.05),在历史数据上实现了R2为0.9947,并展示了在模拟数据上的强大泛化能力。具有领域适应的循环模型,特别是GRU-MSE-JSD和R-DANN, consistently outperformed traditional CNN-based architectures, which struggled to capture long-term temporal dependencies across different domains. 统计结果确认了所提出模型在不同社区概况中的鲁棒性和可迁移性。
**论文解读:基于迁移学习与自定义损失函数的农村电气化需求预测框架**

**研究背景与问题**

电气化是全球社会经济和技术发展的核心驱动力,但实现普遍能源接入与气候目标需依赖分散式可再生能源系统,尤其在服务不足的偏远地区。然而,农村社区,特别是未通电的偏远村落,面临严重的数据稀缺问题:缺乏高级计量基础设施、历史电力消费数据几乎不存在,且记录不完整。这导致传统机器学习模型(如LSTM、CNN)和统计模型因依赖大规模高质量数据集而性能下降,而基于城市数据训练的模型无法捕捉农村独特的能源使用行为(如季节性与社会文化差异)。数据鸿沟进一步导致能源政策制定和基础设施投资失当,加剧能源不平等。现有研究虽尝试通过合成数据生成、迁移学习等方法缓解数据不足,但大多聚焦于单体建筑或城市场景,缺乏针对社区级(尤其是农村微电网)的迁移学习框架。此外,模拟数据与真实数据之间的分布偏移(domain shift)未被充分解决,传统迁移学习缺乏自适应机制来桥接源域(已通电社区)与目标域(未通电社区)的差距。因此,本研究旨在开发一种基于门控循环单元(GRU)的迁移学习框架,结合自定义损失函数,以预测缺少历史数据的偏远农村社区电力需求。

**研究内容与结论**

研究人员提出了一种包含自定义混合损失函数(MSE-JSD)的GRU迁移学习模型,该模型整合了自底向上模拟负荷曲线(PHAG框架)与历史微电网数据,通过预训练-微调策略进行跨域预测。实验设置两个场景:场景1将模型在合并的历史数据上预训练,并在模拟数据上微调;场景2采用跨社区预训练-微调策略(如从A社区预训练,在B社区微调,测试于C社区和模拟数据)。使用配对t检验和双因素方差分析(Two-Way ANOVA)进行统计验证。结果表明,GRU-MSE-JSD模型在所有场景中均显著优于其他基线模型(p < 0.05),在历史数据上达到R2为0.9947,在模拟数据上R2为0.9570,且泛化能力强劲。具有领域适应的循环模型(GRU-MSE-JSD和R-DANN)始终优于传统基于CNN的架构,后者在跨域长期时序依赖捕获上表现不佳。统计检验确认了模型在不同社区特征下的鲁棒性。该研究发表在《Results in Engineering》上,为农村数据稀缺地区的需求预测提供了可扩展的实用基础,同时为微电网公司(因安全限制限制数据共享)提供了可扩展的框架基础。

**关键技术方法**

本研究主要采用三项关键技术:第一,基于PHAG(Population, Households, Appliances Growth)自底向上框架,利用实地调查数据(2024年4月27日于加纳Wayokope社区采集,涵盖57户家庭中38人的访谈)模拟社区级负荷曲线,并通过与历史数据对比验证(NRMSE和系统级指标);第二,提出基于门控循环单元(Gated Recurrent Unit, GRU)的循环神经网络,因其结构简单、训练高效,选用更新门和重置门进行时序建模;第三,构建自定义混合损失函数(MSE-JSD),将均方误差(Mean Squared Error, MSE)用于回归预测,詹森-香农散度(Jensen-Shannon Divergence, JSD)用于对齐源域与目标域的特征分布,减少域偏移。超参数通过网格搜索优化(λ最优值为0.018),并在NVIDIA GeForce RTX 2080 Ti GPU上使用PyTorch 3.12.9实现。

**研究结果**

**4.1 数据描述与预处理**
数据来自加纳GEDAP项目的三个试点微电网社区:Wayokope、Aglakope和Kudorkope(位于Volta湖岛屿,均为传统泥屋,经济以渔业为主)。通过智能电表获取1分钟分辨率的历史数据,并利用PHAG框架模拟Wayokope的负荷曲线。对比显示,模拟数据与真实数据在日峰时段、负荷变异性和总能耗上高度一致,NRMSE(基于均值)为0.2279,最大峰值误差8.50%,总日能耗偏差仅0.40%。

**4.2 实验设置**
所有数据按70%训练、20%验证、10%测试划分,恒定超参数(学习率0.0001,批大小256,层数2,预训练优化器Adam,微调优化器SGD)。为公平比较,所有模型采用相同超参数。

**4.3 超参数选择**
通过网格搜索确定λ=0.018为最优值,使验证损失最低(0.000273)。训练与验证损失曲线显示预训练和微调阶段均未出现过拟合,损失快速下降并收敛。

**4.4 提出框架泛化能力研究**
**场景1:预训练(历史数据),微调(模拟数据),测试(历史与模拟数据)**
GRU-MSE-JSD模型在模拟数据上RMSE为0.2134,R2为0.9570;在历史数据上RMSE为0.2298,R2达0.9903,优于LSTM、1D-CNN、CNN-GRU、CNN-LSTM和R-DANN。预测值与实际值拟合良好,误差分布近零均值。在1周和2周小样本模拟数据测试中,GRU-MSE-JSD仍保持最佳性能,R2和RMSE均优于其他模型。

**场景2:跨社区预训练-微调**
模型在A社区预训练、B社区微调,测试于C社区和模拟数据。GRU-MSE-JSD在模拟数据上R2达0.9623,历史数据上R2达0.9947,显著优于所有基线。1D-CNN和LSTM在跨域条件下表现较差,R2低于0.83和0.96。R-DANN表现接近但略逊,且GRU-MSE-JSD在反向预训练方向(B→A)同样保持优势。

**4.4.3 统计检验分析**
配对t检验显示,GRU-MSE-JSD在所有场景中均显著优于其他模型(p < 0.05),平均改进幅度从0.01%到18.81%。双因素方差分析确认模型类型、数据集类型及其交互效应均高度显著(p < 0.00001),表明GRU-MSE-JSD的性能优势依赖于数据集,但整体适应性强。

**总结与讨论**

讨论部分指出,所提框架在预测准确性上具有显著优势,但仍存在局限性:PHAG模拟负荷的准确性依赖于调查输入和行为的可靠性;两阶段训练(预训练+微调)增加了计算开销,在实时或边缘部署中可能需要轻量化。未来工作将探索低功耗部署优化、融入更丰富的社会技术数据(如气象、电价、环境数据),并在更多社区进行验证。研究结论原文翻译如下:本研究提出了一种具有自定义损失函数的迁移学习模型,用于预测缺乏历史数据的农村地区电力消耗。研究了两种实验场景:(1)在合并的三个社区历史数据集上预训练,然后在模拟数据上微调;(2)跨域预训练-微调策略以评估泛化能力。GRU-MSE-JSD和R-DANN模型 consistently 实现了高精度,在模拟和历史上展示出强迁移性。统计检验确认GRU-MSE-JSD显著优于所有其他模型(p < 0.05),突出了其鲁棒性和领域适应能力。传统模型(如CNN)表现不佳且迁移性差,强调了领域适应和循环层在跨域预测任务中的重要性。尽管存在局限性,该框架为数据稀缺的农村社区需求预测提供了实用基础。
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