农村微电网的预测-调度协同优化：一种可部署在边缘节点的方法 郭磊、 徐新然、 吕飞亚

《Energies》：Forecasting–Scheduling Co-Optimization for Rural Microgrids: An Edge-Deployable Approach Lei Guo, Xinran Xu and Feiya Lv

　　摘要：分布式可再生能源在农村微电网中的高渗透率导致了严重的物理层波动、信息层通信能力减弱以及计算层资源受限。这三重限制引发了根本性的矛盾：虽然需要高精度预测和实时调度，但边缘设备却面临资源严重不足的问题。为了解决这一问题，我们提出了一种可部署在边缘的设备管理系统（EMS），该系统实现了预测与调度的协同优化。首先，我们提出了自适应门控双流网络（AGDN），它采用了一种基于特征维度的门控融合机制，以克服长短期记忆（LSTM）的局部依赖性限制以及Transformer模型在全球感知能力上的不足，尤其是在农村这种不稳定的环境中。这种方法在负载预测方面的平均绝对百分比误差（MAPE）为4.2%，远优于基线模型。接下来，我们引入了基于预测不确定性引导的量子启发式优化（PUG-QIO）算法，该算法能够将预测置信区间自适应地映射到量子旋转角度上，从而实现预测与调度的深度集成，使能源利用率达到了93.2%。最后，我们开发了基于时间敏感性差异化的剪枝（TSADP）策略，在参数压缩率达到63%的情况下仍能保持预测准确性，克服了高精度模型在边缘设备上部署的障碍。为期30天的现场试验验证了所提出系统在四个关键维度上满足了农村地区的严格要求：预测准确性、实时响应能力、轻量化架构和经济可行性。总体而言，该系统满足了四个核心的农村需求：预测准确性（MAPE = 4.2%）、实时响应（≤10秒）、轻量级部署（内存<500 MB）以及经济可行性（燃料成本减少27.3%）。

1. 引言
随着设施农业和农村旅游的快速发展，传统的电力供应模式已无法满足农村日益复杂的能源需求[1,2]。作为整合分布式可再生能源和提高电力供应可靠性的关键手段，微电网已成为农村能源转型的关键途径[3,4]。然而，大多数现有的能源管理系统（EMS）是为工业环境设计的，在农村环境中部署时会遇到三重关键限制：严重的物理层波动（光伏/负载的不确定性）、薄弱的信息层通信（4G/LoRa）以及有限的计算层资源（边缘设备约束）。这些限制形成了一个根本性的困境：高精度模型无法在边缘设备上部署，而轻量级模型在波动条件下准确性不足。此外，实现全局优化需要大量的计算资源，这阻碍了实时调度。

在预测方面，长短期记忆（LSTM）网络能够捕捉长期的时间依赖性，但其递归结构限制了对突发事件的反应速度[5,6]。Transformer模型通过自注意力机制实现全局相关性建模，但其参数规模远远超过了边缘设备的内存预算[7,8]。在调度方面，集中式优化虽然能够找到全局最优解，但依赖于不间断的通信[9]。启发式算法可以在解决方案质量和效率之间权衡，但容易陷入局部最优解，且随着问题规模的增加，收敛速度会下降[1,2]。对于边缘设备部署，虽然图像任务的模型压缩技术已经成熟，但专为时间序列预测设计的剪枝策略仍不完善，常常导致关键信息丢失[10]。
上述综述揭示了农村微电网能源管理中的三个基本问题：
（1）准确性 vs. 轻量化部署：高精度融合模型无法在边缘设备上部署，而轻量级模型在波动条件下预测误差显著增加。
（2）全局优化 vs. 实时响应：智能算法能够找到最优解，但计算时间过长，阻碍了第二级调度的实施。
（3）技术进步 vs. 场景适应：大多数研究仍处于模拟阶段，未在现实农村条件下进行验证。
为了弥合这些差距，本文提出了一种适用于边缘部署的微电网能源管理的预测-调度协同优化框架。

如图1所示，这三重限制与EMS相互作用，导致了上述三个问题。我们的核心贡献包括：
（1）自适应门控双流网络（AGDN）：一种基于特征维度的门控融合机制，动态平衡了LSTM和Transformer的优点，克服了单一模型在农村不稳定环境中的局限性，同时保证了准确性和效率。
（2）基于预测不确定性引导的量子启发式优化（PUG-QIO）：预测置信区间被自适应地映射到量子旋转角度上，使探索-利用之间的权衡能够根据预测不确定性变化，实现闭环的预测-调度优化。
（3）基于时间敏感性差异化的剪枝（TSADP）：一种基于时间贡献的层级剪枝策略，在大幅参数压缩的情况下仍能保持预测准确性，解决了高精度模型在边缘设备上的部署难题。

实验结果表明，所提出的系统在四个关键维度上满足了农村场景的要求：预测准确性（MAPE = 4.2%）、实时响应（≤10秒）、轻量化部署（内存<500 MB）以及经济可行性（燃料成本降低27.3%），为农村微电网的可靠和经济运行提供了实用的技术途径。

2. 相关工作和理论基础
2.1 农村微电网能源管理的挑战
中国已经建设了许多农村微电网示范项目，为本研究提供了实际基础。这些项目包括天津太平镇胜力村的基于直流微电网的多能源供应系统[11]、新疆吐鲁番的移动式智能空气房屋光伏-储能微电网系统[12]，以及北京通州前团村的低压交直流混合微电网项目[13]。
农村微电网能源管理的核心挑战源于其独特的运行环境：
**物理层波动**：发电侧主要由光伏（PV）输出主导，其输出具有非平稳特性，表现为微秒级的随机波动和季节性周期。即使在晴天，光伏输出曲线也是平滑的，但在多云条件下，光照强度可以在几秒内波动超过80%[14]。当地光伏输出具有明显的季节性分布，6月至11月的峰值输出比其他月份高出约40%[15]。负载侧受到农业活动和极端天气的影响，峰谷差达到传统电网的2-3倍。在灌溉季节，农业机械同时启动，导致负载在10分钟内从50 kW上升到300 kW；而在夜间或闲置农忙期间，负载可能降至30 kW以下[3,15]。
**信息层弱点**：农村通信基础设施主要依赖4G/LoRa混合网络，数据包丢失率高达5-15%，每小时通信中断也很常见[1]。
**计算层限制**：由于成本、功耗和部署环境的限制，农村微电网的边缘节点主要使用Raspberry Pi 4B类嵌入式设备。Raspberry Pi 4B（由Raspberry Pi Ltd.制造，英国剑桥）的四核ARM处理器的峰值计算能力约为13.5 GFLOPS，仅相当于典型GPU服务器的0.04%[10,16]。内存资源同样受到限制，通常限制在2-4 GB之间。
这三重限制共同定义了农村微电网能源管理系统设计的技术边界：在通信弱、计算能力低和波动剧烈的条件下实现高精度预测和实时调度的协同优化。

2.2 时间序列预测模型
时间序列预测是微电网能源管理的基础，预测准确性直接影响调度策略优化的效果。图2展示了时间序列预测技术的发展历程，并指出了本研究所要解决的问题[9,10,11,12,13,14,15]。传统方法如ARIMA可以描述线性趋势，但无法捕捉由突发天气变化或负载波动引起的非线性模式，因此在农村微电网这种高度非平稳的条件下预测误差较大[17]。LSTM网络通过门控机制捕捉长期时间依赖性[6]，并已广泛应用于负载预测，但其递归结构限制了其对突发事件的反应速度。尽管LSTM能够有效提取时间演化模式，但其顺序性质限制了对过去事件的敏感性。当面临多云条件下的光伏输出微秒级波动时，响应通常会延迟。Transformer模型通过自注意力机制实现全局相关性建模[5]，能够快速响应非平稳事件，如突发天气变化。然而，标准Transformer的参数数量通常超过10M个，远远超出边缘设备的内存预算。此外，其庞大的参数数量和高计算成本使得直接在Raspberry Pi 4B类嵌入式设备上部署不切实际，且在使用小样本数据时容易过拟合。
为了结合这两种方法的优点，研究人员提出了LSTM-Transformer混合模型[7]。然而，现有的融合方法采用固定权重或简单串联，无法适应农村微电网的动态波动特性。在稳定时期，应强调LSTM对循环模式的记忆；而在突发事件期间，Transformer的全局感知能力变得至关重要。实现这两者特征的细粒度自适应融合——根据输入数据动态调整权重——是提高预测性能的关键。

对于边缘部署需求，通道剪枝和知识蒸馏等模型轻量化技术已在图像领域得到广泛应用；然而，专为时间序列预测模型设计的剪枝策略仍不成熟。大多数现有方法采用全局阈值，无法考虑不同层对时间序列建模的不同贡献。直接应用于LSTM或Transformer架构可能导致关键时间信息的丢失。因此，设计一种既能捕捉长期时间依赖性又能快速响应突发变化的预测模型——同时具有适量的参数——是农村微电网能源管理的主要挑战。预测误差会传递到调度决策中。为了避免在高不确定性下的次优调度，我们认为应该协同优化预测和调度，而不是单独处理。接下来的部分将分析现有的调度方法，然后介绍我们的协同优化框架。

2.3 微电网的最优调度方法
微电网调度本质上是一个多目标、多重约束的非线性组合优化问题。现有的研究方法分为三类：数学优化、启发式算法和量子启发式优化。图3提供了现有调度方法的分类，并强调了各自的局限性[1,2,4,6,7,8]。数学优化方法（如混合整数线性规划[MILP] [9]和二次规划）可以在小规模系统中找到精确最优解。然而，随着变量维度的增加，解决方案的复杂性呈指数级增长[2]。对于24小时预测范围和15分钟分辨率的调度问题，决策变量可能达到数百个维度，包括0-1整数变量。在农村边缘节点的计算能力有限的情况下，传统的数学优化方法无法在这些问题中找到最优解。
启发式算法（如遗传算法和粒子群优化[PSO]）可以在解决方案质量和计算效率之间取得平衡[1]。然而，标准启发式算法容易陷入局部最优解，且随着问题规模的增加，收敛速度显著下降。分布式控制策略通过相邻单元之间的有限通信实现协调，提高了系统可靠性[18,19,20]。尽管启发式算法可以提供可行的解决方案，但其全局搜索能力有限，当光伏和负载波动剧烈时难以接近最优运行点。
量子启发式优化算法借鉴了量子计算中的叠加态概念，用量子比特编码决策变量，并通过量子旋转门更新概率幅度以实现高效的全局搜索[1]。然而，标准算法使用固定的旋转角度，在动态农村场景中存在局限性：过大的旋转角度导致收敛速度慢，而过小的角度可能导致陷入局部最优解。固定旋转角度无法适应预测不确定性的动态变化。当预测置信度较高时，应侧重于局部利用；当预测波动较大时，应扩大搜索范围。如果没有这种动态调整，标准量子启发式算法无法适应农村微电网的波动条件，导致调度决策次优。
鉴于农村地区丰富的水资源，结合小型抽水蓄能电站的微电网调度策略可以进一步提高系统经济性和可再生能源的容纳能力[21]。此外，大多数现有研究将预测和调度分开处理，未能充分利用预测不确定性信息来指导搜索过程。因此，设计一种能够整合预测置信度并动态平衡探索和利用的调度算法是实现预测-调度协同优化的关键。

2.4 边缘端模型轻量化技术
边缘端资源受限，需要在部署前对深度学习模型进行轻量化处理[16]。主流技术包括通道剪枝、知识蒸馏和量化。然而，大多数现有的轻量化技术针对的是图像分类任务，针对时间序列预测模型的剪枝策略仍不够成熟[10]。通道剪枝通过消除贡献较小的卷积核或神经元来减少参数数量，但不改变网络结构。传统的剪枝方法主要使用全局统一阈值，没有考虑不同层对时间序列建模的不同贡献。浅层特征提取层捕捉局部波动，而深层聚合层模拟全局周期。时间序列预测模型中各层的重要性存在显著差异，这需要采用不同的剪枝策略。知识蒸馏利用大规模的教师模型来指导小型学生模型的训练，通过软标签传递泛化能力。蒸馏后的模型可以在保持准确性的同时大幅减少参数数量。然而，纯蒸馏可能无法完全保留教师模型对时间序列突变点的敏感响应，因此需要与时间序列感知的损失函数结合使用。敏感性分析通过计算每层输出相对于损失函数的梯度范数来量化不同层对最终结果的影响，为差异化压缩提供了基础[13]。较高的敏感性表示该层的重要性较大，在剪枝时需要保留更多的通道。然而，梯度敏感性是否完全等同于时间序列预测中的“时间重要性”需要验证，并且需要针对时间序列特性设计专门的敏感性指标。因此，设计一种轻量级策略，既能适应时间序列模型的结构特点，又能保持预测准确性，是实现边缘设备部署的最后障碍。

2.5. 本文的研究差距与定位
总结来说，现有的农村微电网能源管理研究存在三个关键差距：
（1）预测准确性与轻量级部署之间的差距：高精度的融合模型（如K-NBEATSx）无法在边缘设备上部署[7]，而轻量级模型在波动条件下错误率会急剧增加。
（2）全局优化与实时响应之间的差距：尽管智能算法（如双层优化）可以接近最优解，但其过长的计算时间使得满足第二级调度要求变得困难[22]。
（3）技术进步与场景适应性之间的差距：大多数研究仍停留在仿真阶段，未在真实的农村条件下进行验证[14]。
表1总结了本文所解决的研究差距。为了弥合这些差距，本文提出了一种具备预测-调度协同优化和边缘部署能力的能源管理系统。核心创新包括：
（1）自适应门控双流网络（AGDN）：通过特征维度的门控融合机制实现LSTM和Transformer的细粒度融合。
（2）预测不确定性引导的量子启发式优化（PUG-QIO）：将预测置信区间映射到自适应旋转角度，从而实现动态探索-利用之间的权衡。
（3）时间敏感性感知的差异化剪枝（TSADP）：基于各层对时间功能的贡献进行分层剪枝，压缩比达到63%的同时仍保持预测准确性。

3. 系统需求分析
3.1. 系统功能和性能要求
农村微电网能源管理系统提供四个核心功能：数据感知、时间序列预测、最优调度和人机交互[2]。该系统采用“局部自治优先、云协作补充”的分层控制架构[1]。表2列出了关键性能指标及其测试条件。
数据感知：实时采集光伏阵列输出、储能系统状态（SOC和SOH）、多种负载功率以及气象参数（辐照度、温度、湿度、风速）。支持Modbus RTU/TCP、IEC 104和MQTT等多协议异构设备接入，并具备断点恢复功能。
时间序列预测：基于历史数据和气象信息，预测未来24-96小时的负载和光伏输出曲线，并输出带有置信区间的点预测值，作为调度模块的输入。
最优调度：根据预测结果生成储能充放电策略、柴油发电机启停计划以及电力购售方案，全面考虑电价时段、设备运行限制和储能寿命。
人机交互：系统提供本地HMI和远程基于Web的可视化监控界面，支持移动终端访问，实时查看运行状态、报警信息和调度策略。

3.2. 农村环境适应性要求
农村运行环境对系统提出了额外的要求，系统必须在保持核心功能的同时满足以下适应性标准：
低计算功耗的边缘部署：系统必须能够在Raspberry Pi 4B类嵌入式设备上稳定运行，空闲状态下的内存占用低于500 MB，平均CPU利用率低于60%[16]。
适应弱通信环境：支持4G/LoRa混合网络，并具备多链接智能切换功能[1]。在通信完全中断时，系统必须切换到本地自治模式，以维持至少72小时的基本调度能力[11,13]。
离线容错性和数据一致性：建立一个环形缓冲本地缓存数据库，缓存容量至少能存储7天的运行数据。通信恢复后，系统必须实施断点恢复和冲突解决机制，确保数据完整性率达到99.5%[11,12]。
无人值守操作和环境适应性：系统必须具备自动故障诊断和恢复机制，能够自动识别并恢复超过90%的故障。边缘节点硬件必须满足工业保护要求，工作温度范围为-20°C至60°C，防护等级不低于IP54，适用于农村电网电压波动场景[13]。

4. 系统设计
4.1. 系统架构设计
为了解决农村微电网环境中物理层剧烈波动、信息层通信薄弱以及计算层资源有限这三个关键问题，本文设计了一个具有预测-调度协同优化和边缘部署能力的层次化能源管理系统。系统架构从下到上分为三层，如图4所示。
现场设备层：部署在微电网的主设备侧，包括光伏逆变器、电力转换系统（PCS）、智能 meters、环境监测站和各种传感器。该层执行两个主要功能：
（1）数据采集：通过多协议混合接入（包括Modbus RTU（RS-485总线）、IEC 104（以太网）和CAN（储能内部总线），以5秒的采样间隔收集38种类型的运行参数。这些参数包括光伏直流功率、储能SOC/SOH、三相负载功率和辐照度。
（2）命令执行：该层接收来自边缘计算层的调度指令，控制储能充放电功率、柴油发电机的启停操作以及并网开关状态。在通信异常期间，本地缓存提供至少2小时的短期数据缓冲。

边缘计算层：部署在农村配电室的Raspberry Pi 4B边缘节点作为决策核心。该层包含三个功能模块，数据流路径如下：
（1）路径1—数据采集和预处理（持续运行，每5秒触发一次）：原始数据经过时间对齐、异常检测、插补和标准化后写入本地时间序列数据库。平均处理时间为320毫秒。
（2）路径2—时间序列预测（由调度模块每15分钟触发一次，或在新数据积累超过1小时时自动触发）：预测模块读取72小时的历史数据，执行自适应门控双流网络（AGDN），并输出未来24小时的负载和光伏预测值及其95%的置信区间。单次推理时间约为31毫秒（经过轻量化部署后）。
（3）路径3—能源调度（每15分钟进行一次滚动优化，或当预测值与实际值之间的偏差超过阈值时触发）：调度模块以最新的预测结果和实时状态为输入，运行预测不确定性引导的量子启发式优化（PUG-QIO）算法，生成未来24小时（96个时间段）的储能充放电计划、柴油发电机启停计划和电力购售策略。平均求解时间为5.3秒。生成的调度指令通过通信链路传输到现场设备层。
（4）路径4—本地自治和模式切换（每秒检测通信链路质量）：当通信中断时，系统自动切换到降级或紧急模式，以维持基本调度能力（详见第4.4.3节）。

远程应用层：部署在乡镇监控中心的云服务器上，提供集中监控、政策干预以及移动操作和维护服务。在正常模式下，边缘节点每15分钟上传运行数据和调度结果，并接收云配置调整。通信恢复后，本地缓存数据自动同步。

这种三层结构及其数据流关系为后续的详细设计奠定了架构基础，涵盖了从数据采集到边缘决策再到云监控的整个流程。

4.2. 数据采集模块设计
数据采集模块在异构设备（多制造商、多协议）和脆弱通信（4G/LoRa混合网络）的约束下，实现了多源运行数据的可靠采集和高保真度预处理。
4.2.1. 采集对象和采样策略
采集对象涵盖四类异构数据源。采用可变采样率的自适应采集策略，详见表3。
表3. 多源数据采集参数和可变采样率策略
可变采样率的自适应采集策略确保记录关键的波动事件（如突然的光伏功率变化和负载激增），同时将平均每日数据量控制在3.5GB以内，防止存储溢出，同时平衡数据真实性和存储效率。
4.2.2. 通信架构设计
采用4G为主链路+LoRa为备份链路的冗余通信架构：
（1）主链路（4G）：通过DTU透明传输，支持TCP/MQTT协议，用于实时数据传输和云命令接收。
（2）备用链路（LoRa）：覆盖5公里半径内的分散节点（如气象站、灌溉负载）的临时网络模式，用于通信中断期间的关键数据回传。
链路质量动态评估指标定义为：
\[Q_{link} = \alpha \cdot \tilde{R}_{ss} + \beta (1 - P_{loss} + \gamma (1 - L_{delay})\] \[（1\]
其中 \(\tilde{R}_{ss} \in [0,1]\) 是标准化信号强度（从-120 dBm线性映射到0，从-50 dBm映射到1）；\(P_{loss} \in [0,1]\) 是30秒滑动窗口内的平均包丢失率；\(L_{delay}\) 是测量的平均传输延迟（秒）；\(L_{max} = 10\) 秒是最大可容忍延迟阈值。系数满足 \(\alpha + \beta + \gamma = 1\)，选择 \(\alpha = 0.5\)、\(\beta = 0.3\)、\(\gamma = 0.2\) 以优先考虑信号稳定性，同时考虑延迟和包丢失。
当 \(Q_{link} < 0.6\) 持续超过30秒时，系统自动切换通信链路。切换过程对上层应用保持透明。

4.2.3. 数据预处理流程
在边缘节点进行三级预处理，以确保数据质量符合预测模型的输入要求：
级1：时间对齐
根据NTP服务器时间，所有异构数据源的时间戳被线性插值并对齐到5秒等间隔的时间序列。对齐误差控制在\(\pm100\)毫秒以内。
级2：异常检测和校正
共同采用两种异常检测方法：
（1）统计方法：基于3\(\sigma\)原则，识别超出均值\(\pm3\)标准差的数据点。
（2）物理方法：基于变化率约束，功率变化率超过50\%/秒（幅度变化超过额定功率的50\%）被视为异常。该阈值根据光伏和负载的物理响应特性确定。
异常点使用三次样条插补进行校正。如果连续出现超过10个异常点，则整个数据段标记为缺失。
级3：缺失值插补
采用分层插补策略：
（1）短时间间隔（\(\leq30\)秒）：前向填充（保留最后一个有效值）。
（2）中等时间间隔（30秒至5分钟）：使用ARIMA（2, 1, 2）模型进行预测插补，其中2是自回归阶数，1是差分阶数，2是移动平均阶数。模型参数使用贝叶斯信息准则在历史数据集上优化，并根据历史同步数据在线更新。
（3）长时间间隔（\(\gt5\)分钟）：标记为不可用，触发调度模块中的强健模式切换。

预处理后，数据使用Z-Score方法进行标准化：
\[^x = x - \mu\sigma\] \[（2\]
其中\(\mu\)和\(\sigma\)是训练集上特征的均值和标准差。标准化数据写入本地时间序列数据库（SQLite）。在Raspberry Pi 4B上的预处理平均时间为320毫秒，满足5秒采样周期的实时要求。

4.3. 时间序列预测子系统：自适应门控双流网络（AGDN）
鉴于农村微电网负载和光伏输出的多尺度波动特性——农业周期与分钟级随机波动叠加、晴天时的突然变化以及雨天时的持续下降——单一模型难以同时捕捉时间依赖性和全局相关性。本文提出了自适应门控双流网络（AGDN），该网络采用LSTM和Transformer双编码器分别提取序列依赖特征和全局关联，并引入门控融合机制，在特征维度层面实现动态权重分配。

4.3.1. 问题表述
设历史输入窗口长度为\(L = 72\)小时，特征维度为\(d = 8\)（包括负载、光伏功率、辐照度、温度、湿度、风速和天气类型），采样间隔为\(\Delta_t = 5\)分钟。输入序列为\(X = \{x_1, x_2, \ldots, x_T\} \in \mathbb{R}^T \times d\)，其中\(T = L/\Delta_t = 864\)是时间步数。模型输出未来\(H = 24\)小时的预测序列\(\hat{Y} = \{y_{t+1}, y_{t+2}, \ldots, y_H\} \in \mathbb{R}^H\)。
预测任务被形式化为学习一个映射函数\(f : \mathbb{R}^T \times d \rightarrow \mathbb{R}^H\)，以最小化预测误差：
\[m_{in} \cdot n \| \hat{Y} - Y \| \]
其中\(Y \in \mathbb{R}^H\)是未来\(H\)小时的真实值序列，\(\|\cdot\|\)表示范数（本文使用均方误差）。

4.3.2. 模型总体架构
AGDN的总体架构如图5所示，包括四个组成部分：自适应门控双流网络（AGDN）的结构：
(1) LSTM编码分支：提取长期和短期的时间依赖特征，输出特征向量??lstm。
(2) Transformer编码分支：捕捉全局相关特性，输出特征向量??trans。
(3) 门控融合层：动态融合两个分支的特征，生成融合特征向量??fusion。
(4) 输出层：将融合特征映射到最终的预测结果?。

数据流的过程如下：输入序列X进入两个并行分支；特征提取后，两个分支的输出都被送入门控融合层；然后通过输出层将合并的特征映射为预测结果。

4.3.3 LSTM编码分支
一个双层堆叠的Long Short-Term Memory（LSTM）网络提取时间依赖特征。LSTM通过门控机制解决长序列梯度消失的问题。核心计算单元如下：
????=???(?????[?????1,????]+????)????=???(?????[?????1,????]+????)????=???(?????[?????1,????]+????)?????=????⊙?????1+????⊙tanh?(?????[?????1,????]+????)????=????⊙tanh?(?????)
其中 ????、????、???? 分别是遗忘门、输入门和输出门；???? 是隐藏状态；????、????、????、???? 是权重矩阵；????、????、????、???? 是偏置项；???( ·) 是输出范围为（0,1）的Sigmoid激活函数；t?a?n?h?( ·) 是输出范围为（?1,1）的双曲正切激活函数；⊙ 表示元素级乘法。

选择了一个每层隐藏维度为128的双层LSTM。第一个LSTM处理输入序列??并输出一系列隐藏状态：
??(1)={??(1)1,??(1)2,…,??(1)??}，其中上标(1)表示第一层，下标??表示时间步长，总时间步长为?? =864。这组隐藏状态作为第二层LSTM的输入。

第二层LSTM以第一层的隐藏状态序列为输入，进一步提取高级时间特征：
??(2)??=LSTM(2)?(??(1)??,??(2)???1)，其中??(2)?? ∈?128 是第二层LSTM在时间??的隐藏状态，初始值为零向量??(2)0 =0。

第二层LSTM在时间步长??的隐藏状态可以表示为：
??(2)??=[??(2){??,1},??(2){??,2},…,??(2){??,128}]T
初始隐藏状态设置为零向量：??(2)0 =[??,??,…,??]T （128个零）。

经过?? =864时间步长的递归计算后，最后一个隐藏状态作为LSTM分支提取的时间特征向量：
??lstm=??(2)??∈?128
该特征向量编码了负载和光伏在72小时历史中的周期模式、趋势变化和短期波动信息。双层结构比单层LSTM捕获了更复杂的时间依赖性，隐藏维度128在表示能力和计算成本之间取得了平衡。LSTM分支大约包含140,000个参数，占AGDN总参数的40.8%。

4.3.4 Transformer编码分支
Transformer采用自注意力机制一步建立全局依赖性，从而能够对突发事件（如突然的天气变化）做出快速响应。本文采用标准的Transformer编码器结构，包括以下组件：

**位置编码**：由于Transformer缺乏递归结构，通过位置编码来保留位置信息。使用正弦位置编码：
??(??,2???)=sin?(??100002?????model)
??(??,2???+1)=cos?(??100002?????model)
其中 ?? =1,2,…,?? 是时间步长索引；?? =0,1,…, ????????????/2 ?1 是维度索引；??model =128 是模型维度。位置编码矩阵?? ∈?TxdMODEL被添加到输入嵌入中，以获得位置感知的输入：
??pos=?????embed+??
其中 ??embed ∈???×??MODEL是将原始特征维度（?? =8）映射到模型维度（??model =128）的输入嵌入矩阵。

**多头自注意力**：对于输入序列??pos，通过线性变换得到查询矩阵??、键矩阵??和值矩阵??：
??=??pos?????,??=??pos?????,??=??pos?????
缩放点积注意力计算为：
Attention?(??,??,??)=softmax?(???????√????)???
其中 ???? =??model? =16 是每个注意力头的维度，? =8 是注意力头的数量。多头注意力将特征投影到不同的表示子空间并并行计算：
head??=Attention?(?????????,?????????,?????????)
MultiHead?(??,??,??)=Concat?(head1,…,head?)?????
其中 ??????,??????,?????? ∈???model×????,???? ∈???model×??model 是可学习的参数。

**前馈网络**：每个编码层之后跟着两个全连接层，引入非线性变换：
FFN?(??)=max?(0,?????1+??1)???2+??2
其中 ??1 ∈???model×???????,??2 ∈????????×??model,??????? =256 是前馈隐藏维度，m?a?x?(0, ·) 是ReLU激活函数。

**层归一化和残差连接**：在每个子层（多头注意力、前馈网络）之后应用残差连接和层归一化：
??out=LayerNorm?(??+Sublayer?(??))

选择了一个由4层Transformer编码器组成的堆栈，每层的维度为??model =128。经过四层编码后，输出序列沿时间维度平均并池化，得到全局特征向量：
??trans=1???∑????=1????∈?128
其中 ???? ∈?128 是最后一个编码器在时间??的输出。该特征向量捕获了整个历史窗口内的全局依赖性，并对突发事件（如突然的天气变化和负载激增）保持敏锐的响应。Transformer编码分支大约包含170,000个参数，占AGDN总参数的49.6%。

4.3.5 门控融合机制
两个分支的贡献随场景动态变化：在稳定时期（连续晴天），更多依赖LSTM的周期性记忆；在突发时刻（如突然降雨），需要Transformer的全局感知。本文在特征维度层面设计了一个门控融合机制，以实现细粒度的自适应融合，如图6所示。

图6. 门控融合机制的示意图。农村微电网的时间特性可以分为两大类：稳定的周期性成分（日负荷模式、季节性光伏输出）和非稳定的突发成分（突降的输出、负荷激增）。LSTM通过其递归结构擅长捕获周期性模式，而Transformer通过自注意力对突发事件做出快速响应。然而，这些成分在特征空间中通常是叠加的，使得在输入层很难明确分离。门控融合机制在特征维度层面学习了一个“软选择器”：当某个维度的门控值接近1时，主要继承LSTM的输出（关注稳定成分）；当值接近0时，主要继承Transformer的输出（关注突发成分）。这使得模型能够根据输入特征动态分配融合权重。

**视觉验证**：为了验证这一假设，从测试集中选取了一个典型的突发场景（2023年5月17日的突然降雨，导致短暂的负荷下降，如图5所示）。门控向量?? ∈?128的分析显示，大约37%的维度的门控值小于0.3（偏向Transformer），主要对应于与突发变化相关的特征维度（例如，辐照度变化率、高频负荷波动）。大约41%的维度的门控值大于0.7（偏向LSTM），主要对应于与周期相关的特征维度（例如，时间、天数类型、平滑的负荷趋势）。剩余的维度处于中间状态，反映了两个分支的协同贡献。这种分布与理论假设一致，证明了门控机制实现了特征维度的动态路由。

**特征对齐和加权融合**：为了确保元素级乘法的可行性，将两个分支的特征投影到相同的维度：
~??lstm=??lstm???lstm+??lstm∈?128
~??trans=??trans???trans+??trans∈?128
其中 ??lstm,??trans ∈?128×128 是投影矩阵。
最终的融合特征是两个分支输出的特征维度加权值之和：
??fusion=??⊙~??lstm+(?????)⊙~??trans∈?128
其中 ⊙ 表示元素级乘法，?? 是全1向量。这种机制使模型能够在训练过程中自主学习“何时信任LSTM，何时信任Transformer”的决策边界。

与标量加权相比，门控融合在三个层面实现了改进：特征维度区分、时间动态适应性和细粒度控制。实验结果（第5.4.1节）显示，与标量加权相比，门控融合将负荷预测提高了0.6个百分点，验证了该机制的有效性。

4.3.6 输出层和损失函数
融合特征通过一个双层全连接网络映射到预测输出：
^??=??2????(??1???fusion+??1)+??2∈???
其中 ??fusion ∈?128 是融合特征向量；??1 ∈?64×128,??1 ∈?64 是第一层参数；??2 ∈???×128,??2 ∈??? 是第二层参数；???( ·) =?????????(0, ·) 是ReLU激活函数；?? =24 是预测范围。

训练目标函数是均方误差（MSE）和L2正则化项的加权和：
?=1???∑????=1∥??????^????∥22+???∥Θ∥22
其中 ?? 是批量大小；???? ∈??? 是样本??的真实值；^???? ∈??? 是样本??的预测值；∥·∥2 是L2范数；Θ 表示所有可训练参数；?? =10?4 是防止过拟合的正则化系数。

采用Adam优化器，初始学习率为10?3，批量大小为32。采用提前停止策略：当验证集损失连续5个周期不再减少时终止训练，并保存验证损失最低的模型参数。模型在NVIDIA RTX 3090 GPU（由美国加州圣克拉拉的NVIDIA公司制造）上训练约2小时达到收敛。

预测完成后，需要对输出进行去归一化以恢复实际物理维度：
^??actual=^?????+??
其中 ??,?? 是训练集上特征的标准差和均值（见第4.2.3节）。

4.4 能源调度决策模块的设计
基于预测结果，调度模块优化能量存储的充放电策略、柴油发电机的启动/停止计划以及电力购买/销售方案，在电力平衡和设备约束条件下实现运营经济性和电力供应可靠性的协同优化。

4.4.1 多目标优化模型
调度周期?? =24小时，时间分辨率Δ??? =15分钟，总共96个决策时段（24×4个时段/小时）。决策变量包括能量存储充电功率??ch??、能量存储放电功率??dis??、柴油发电机输出功率??dg??、从电网购买功率??buy??、向电网出售功率??sell??、能量存储充电状态??ch??（0或1）、能量存储放电状态??dis??（0或1），其中?? =1,2,…,96。

目标函数同时最小化运营成本并最大化电力供应可靠性：
min?∑????=1(??dg???dg???Δ???+??buy???buy???Δ??????sell???sell???Δ???+??soc?∣???????????????????ref∣)
其中 ??dg =1.8元/千瓦时是柴油发电机的单位成本；??buy 是分时购买价格（平均0.8元/千瓦时）；??sell =0.4元/千瓦时是固定的上网电价；??soc =0.5元是能量存储健康惩罚系数；????????ref =0.5是参考充电状态；Δ??? =0.25小时是时段长度。四个目标函数项分别对应：柴油燃料成本、电力购买成本、电力销售收入（负成本）以及能量存储SOC偏离参考值的惩罚。

每个时间都必须满足电力平衡约束：
??pv??+??dg??+??dis??+??buy??=??load??+??ch??+??sell??，???
其中 ??pv?? 是预测的光伏输出，??load?? 是预测的负荷。左边表示电源（光伏+柴油+能量存储放电+电力购买），右边表示电力需求（电力负荷+能量存储充电+电力销售）。

能量存储互斥约束（不能同时充电和放电）：
??ch??+??dis??≤1，???
能量存储功率约束：
0≤??ch??≤??max???ch??，0≤??dis??≤??max???dis??，???
其中 ??max? = 100千瓦是能量存储转换器的最大功率。

能量存储SOC递归关系：
??????????+1=??????????+??ch???ch???Δ?????ess???dis???Δ?????dis???ess
其中 ?????????? 是时间量子比特概率振幅通过量子旋转门进行更新：[??′????′??]=[cos?(Δ?????)?sin?(Δ?????)sin?(Δ?????)cos?(Δ?????)]?[????????] (14) 旋转角度与预测不确定性相关：Δ?????=Δ???0?(1+??????????min??max???min) (15) 其中 Δ???0 =0.01??? 是基础旋转角度；???? 是时间 ?? 时的预测置信区间宽度；??min,??max 是训练集上的最小和最大置信区间值；?? =0.5 是调整系数。当 ??max =??min 时，定义 ???????min??max???min =0。这种机制在预测不确定性高时自动扩展搜索范围，在不确定性低时加速局部收敛。算法伪代码：为了提高可重复性，算法1详细介绍了PUG-QIO的步骤。

算法1 预测不确定性引导的量子启发式优化（PUG-QIO）
输入：预测置信区间宽度序列 {????}????=1，种群大小 N，最大迭代次数 M，基础旋转角度 Δ???0，调整系数 ??
输出：最优调度方案 ??*

1. 初始化量子种群 ?? ={??1,??2, …, ????}，其中每个个体 ???? = {(???????,???????)??=1} ??，?? 是决策变量维度，初始概率振幅 ??????? =??????? =1/√2
2. 对于 iter = 1 到 M 执行以下操作：
3. 观察种群：对于每个个体 ????，通过随机观察生成确定性调度方案 ????（如果随机数 ?? < |???????|2，则比特 j 为 0，否则为 1）
4. 评估适应度：对于每个 ????，计算适应度 ?? = ??(????)+∑???????[max?(0,?????(????))]2，其中 ? 是目标函数值，???? 是约束违反，???? 是惩罚系数
5. 记录当前最佳个体 ??*
6. 对于每个个体 ???? 执行以下操作：
7. 对于每个维度 j 执行以下操作：
8. 确定旋转方向：如果 ???? 的比特 j 为 1，则旋转到 |1?；否则旋转到 |0?
9. 获得当前时间的预测不确定性 ????（对应于调度时间段 t）
10. 计算自适应旋转角度：Δ???????? =Δ???0?(1+??????????min??max???min)，当 ??max =??min 时，定义 ???????min??max???min =0
11. 使用量子旋转门更新概率振幅：[??′???????′?????] = [cos?(Δ????????)?sin?(Δ????????)sin?(Δ????????)cos?(Δ????????)]?[??????????????]
12. 结束循环
13. 结束循环
14. 如果连续 30 代没有改进最优解，则终止迭代
15. 结束循环
16. 返回全局最优调度方案 ??*

实验表明，所提出的算法比标准量子启发式算法的收敛速度快约 15%，同时保持了解决方案的质量，平均单次解决方案时间为 5.3 秒（在 Raspberry Pi 4B 上测量），满足系统响应时间限制 10 秒。

4.4.3. 强健模式切换机制
鉴于通信环境较弱，设计了一种三级稳健模式切换机制，如图 7 所示，确保在通信中断期间仍然具有基本的调度能力。图 7. 三级稳健模式切换机制图。正常模式：通信正常。边缘节点接收云电价信号和天气预报。调度算法根据最新预报结果，每 15 分钟使用 PUG-QIO 算法进行滚动优化，实现能量利用率 93.2%。
降级模式：用于通信中断持续时间 ≤2 小时的情况。采用匹配策略：将当前时刻的负载和光伏输出数据与历史同期数据进行比较；选择相似度最高的 historical 日期作为基准，并根据当前 SOC 状态局部调整调度方案。相似度定义为 ????????=exp?(?∥??current???historical∥2??2) (16)，其中 ??current 是当前时间的特征向量，包括时间（0–23）、天数类型（1–7）、过去 1 小时的平均负载、当前辐照度等；??historical 是历史日期的特征向量；∥??current???historical∥2 是平方欧几里得距离；?? =0.5 是控制相似度衰减率的带宽参数。指数函数确保较近的距离产生接近 1 的相似度，而较远的距离产生接近 0 的相似度。
匹配过程如下：从本地历史数据库中检索具有匹配季节（春季/夏季/秋季/冬季）和天数类型（工作日/周末）的日期。计算每个历史日期与当前时间之间的相似度。选择相似度最高的三个日期，取它们的调度方案的平均值作为基准，并根据实际 SOC 调整基准方案。
紧急模式：用于通信中断时间 >2 小时的情况。启用预置规则集，根据当前 SOC 和时间段类型执行固定策略。示例规则：
(1) 如果 ???????? <0.3 且光伏输出 >50 kW，则首先为能量存储充电，充电功率 =????????（50 kW，光伏输出）。
(2) 如果 ???????? <0.3 且光伏输出 ≤50 kW，则以最小功率（30 kW）启动柴油发电机为负载供电并同时为能量存储充电。
(3) 如果 ???????? >0.8 且负载 >100 kW，则优先释放能量存储，释放功率 =????????（100 kW，负载需求）。
(4) 如果 ???????? >0.8 且负载 ≤100 kW，则能量存储释放满足负载需求，剩余电力出售给电网。
(5) 如果 0.3 ≤???????? ≤0.8 且光伏输出 > 支持负载，则光伏为负载供电，剩余电力为能量存储充电。
(6) 如果 0.3 ≤???????? ≤0.8 且光伏输出 ≤ 支持负载，则光伏 + 能量存储联合供电，不足部分由柴油发电机补充。
规则按优先级执行；当条件满足时跳过后续规则。
模式切换触发：模式切换由链接质量 ??link ∈[0,1] 触发（定义见第 4.2.2 节）。当 ??link <0.6 持续超过 30 秒时，系统自动切换模式：正常模式切换到降级模式（首次触发），降级模式在 2 小小时后升级到紧急模式。切换时间 <1 秒，对上层透明。通信恢复后，当 ??link ≥0.6 持续超过 10 秒时，自动切换回正常模式，并同步本地缓存。
这种三级无缝模式切换机制确保系统在通信环境较弱的情况下保持以下性能：72 小时通信中断内的服务可用率为 96.5%，降级模式下的能量利用率为 88.3%，模式切换时间为 0.8 秒，数据同步完整率为 99.7%。

4.5. 轻量级部署设计
针对 Raspberry Pi 4B 边缘节点的资源限制，本文采用了时间敏感度差异化剪枝（TSADP）策略，将模型参数数量从 12.5 M 减少到 4.6 M（压缩比 63%），同时保持预测准确性，通过知识蒸馏进一步减少准确性损失。最终部署模型包含 1.2 M 参数，内存占用小于 500 MB，单个推理时间为 31 毫秒。

4.5.1. 时间敏感度差异化剪枝（TSADP）
对于卷积层或全连接层，使用全局统一剪枝阈值的标准通道剪枝在图像分类任务上表现良好，但在直接应用于时间序列预测模型（如 LSTM 和 Transformer）时会显示出结构缺陷：不同层的贡献差异显著。浅层特征提取层主要捕捉局部时间波动；过度剪枝会导致这种感知能力的丧失。如果深度聚合层剪枝过度，则难以捕捉全局依赖性，例如日常周期。因此，本文提出了时间敏感度差异化剪枝（TSADP）策略，该策略量化了每层输出对预测损失的影响，从而在敏感层进行保守剪枝，在非敏感层进行激进剪枝，如图 8 所示。

图 8. 时间敏感度差异化剪枝（TSADP）策略图。
(1) 时间敏感度定义
对于训练好的模型，在验证集上逐层计算特征扰动敏感性：????=????val?[∥???????∥2] (17)，其中 ????? 是层 ?? 的输出特征；?? 是预测损失；????val 表示整个验证集上的期望值。敏感度 ???? 的物理意义是当该层输出发生小扰动时对最终预测损失的影响程度。较高的敏感度表示更重要的层，应保留更多通道。
梯度敏感性是否代表“时间敏感性”？基于梯度的敏感性已广泛用于测量图像任务中的通道重要性。然而，在时间序列预测中，梯度信息主要反映输出上的局部损失函数变化率，可能无法完全捕捉对维持时间序列全局结构（周期性、趋势）至关重要的层。例如，某些层可能对损失函数的梯度不大，但它们的输出特征携带了关键的时间维度信息。移除这些层会导致预测曲线失真。为了验证梯度敏感性与时间重要性之间的正相关性，在验证集上进行了小规模实验：对于每个层，分别计算梯度敏感性，然后单独将该层的所有通道归零（模拟完全移除），并测量验证集上的平均绝对误差增量（表示为 ???????????）。结果显示 ???? 与 ??????????? 之间的斯皮尔曼等级相关系数为 0.82（p < 0.01），证实基于梯度的层敏感性有效地反映了时间序列预测任务中的重要性。因此，使用 ???? 作为剪枝基础是合理且有效的。

(2) 差异化剪枝率
根据敏感性为每层设置自适应剪枝率：????=??0?(1???????????min??max???min) (18)，其中 ??0 =0.5 是基础剪枝率；?? =0.4 是调整系数；??min, ??max 是各层的最小和最大敏感度值。当 ??max =??min 时，定义 ???????min??max???min =0。这种设计确保最高敏感度的层具有最低的剪枝率（约 30%），最低敏感度的层具有最高的剪枝率（约 70%），实现了差异化策略。

(3) 剪枝执行与微调
剪枝执行过程：首先评估通道重要性。对于卷积层，使用 BN 层缩放因子 ?? 作为通道重要性得分。?? 值接近 0 表示通道输出被抑制，重要性较低。对于全连接层，使用权重矩阵 ?? 的 L2 范数作为重要性得分；较大的范数表示通道对后续层的影响更大。按重要性得分从高到低对通道进行排序，保留前 1 ????? 百分比的通道，生成 0–1 的掩码矩阵。剪枝后移除权重和偏置。最后一步根据掩码调整网络结构。剪枝完成后，进行微调训练以恢复剪枝造成的准确性损失。在微调阶段，引入正则化项以约束剪枝率：?finetune=?original+???∑??????|?????|2 (19)，其中 ?original 是原始损失函数（均方误差）；?? =10?5 是正则化系数；???? 是层 ?? 的剪枝率；|????|2 是层 ?? 的 L2 范数。
微调使用 Adam 优化器，学习率为 10?4，训练 20 个周期，并根据验证集损失在 3 个周期内不再下降进行提前停止。

4.5.2. 知识蒸馏和模型压缩
在剪枝的基础上引入知识蒸馏。剪枝后（4.6M 参数），模型作为教师网络来训练更紧凑的学生网络，进一步压缩模型规模。
学生网络结构：
使用三层堆叠的 LSTM，具有 64 个隐藏层维度，8 个输入维度和 24 个输出维度（预测接下来 24 小时的情况）。具体结构：
(1) LSTM 第一层：输入 8 个维度，隐藏层 64 个维度，返回序列
(2) LSTM 第二层：输入 64 个维度，隐藏层 64 个维度，返回序列
(3) LSTM 第三层：输入 64 个维度，隐藏层 64 个维度，返回最后一时刻的输出
(4) 全连接层：64 → 24 维度
学生网络的参数数量约为 1.2 M，是教师网络的 26%。
蒸馏损失函数：
蒸馏损失函数包括硬标签损失和软标签损失：?distill=????hard?(??,^????)+(1???)??soft?(^????,^????) (20)，其中 ?? 是真实值（硬标签）；^???? 是学生网络预测；^???? 是教师网络预测（软标签）；?hard 是均方误差（MSE）；?soft 使用 KL 散度来衡量输出分布的差异。
软标签生成：
教师网络在温度参数 ?? =3 下生成软标签：????=exp?(????/??)∑??exp?(????/??) (21)，其中 ???? 是教师网络输出。温度参数 ?? >1 使概率分布更加平滑，保留类别之间的相似性信息。
KL 散度计算：?soft=??2?∑?????????log??????????? (22)，其中 ?????? 是教师网络的软标签概率；?????? 是学生网络的软标签概率。乘以 ??2 以保持梯度幅度。
平衡系数：?? =0.3 是通过在 [0.1,0.9] 范围内进行网格搜索并选择最小的验证集 MAE 确定的。?? =0.3 表示损失函数的 30% 来自硬标签（真实值），70% 来自软标签（教师网络输出）。
训练配置：
(1) 优化器：Adam
(2) 学习率：10?3
(3) 批量大小：32
(4) 训练周期：50
(5) 提前停止：验证集损失在 5 个周期内不再下降
(6) 硬件：NVIDIA RTX 3090，训练时间约为 1 小时

4.5.3. 边缘部署方案
通过剪枝和蒸馏的两阶段压缩后，最终蒸馏的学生网络作为部署模型。模型指标如表 4 所示。表 4. 部开发环境与工具
系统开发和实验环境分为三个层级：模型训练、边缘部署和后端服务。

**模型训练：**
- 服务器配置：Intel Xeon Gold 5218处理器（由美国加利福尼亚州圣克拉拉市的Intel公司制造）（16核，32线程），128 GB内存，NVIDIA RTX 3090 GPU（24 GB内存），Ubuntu 20.04 LTS操作系统。
- 深度学习框架：TensorFlow 2.10和PyTorch 1.12。

**边缘部署：**
- Raspberry Pi 4B，ARM Cortex-A72四核处理器（由英国剑桥的ARM有限公司制造）（1.5 GHz），4 GB LPDDR4内存，64 GB microSD卡存储，Raspberry Pi OS（64位）操作系统。
- 边缘侧算法通过TensorFlow Lite 2.10进行部署。

**后端服务：**
- 腾讯云轻量级应用服务器，2核，4 GB内存，80 GB SSD，CentOS 7.9操作系统。
- 服务端框架：Spring Boot 2.7，数据库：MySQL 8.0和Redis 6.2。

**5.2. 核心模块实现**

**数据采集模块：**
- 用Python实现。Modbus RTU设备使用pySerial库进行轮询；CAN总线设备通过python-can解析；LoRa模块在网关模式下接收气象站数据。所有原始数据在时间戳对齐后写入本地SQLite数据库。

**预测模块：**
- AGDN网络在PyTorch中进行了原型设计。训练使用Adam优化器，学习率为1 × 10^-3，批量大小为32，提前停止耐心为5个周期。轻量级实现分为两步：首先，在TensorFlow中进行通道剪枝并重建模型，剪枝后输出SavedModel；然后，通过知识蒸馏训练学生网络；最后，转换为TensorFlow Lite格式。

**调度模块：**
- 量子启发式优化算法用Python实现，种群大小为50，最大迭代次数为200次。适应度函数调用DEAP库的约束处理模块；并行计算使用多进程池分为五个子种群进行评估。强健的模式切换机制作为一个独立线程实现，每秒检测通信状态。

**系统集成：**
- 每个模块在Raspberry Pi 4B上作为单独的进程运行；进程间通信使用共享内存结合ZeroMQ。Systemd管理系统启动脚本，配置为自动启动和自动恢复。

**5.3. 实验数据集与评估指标**
- 实验数据来源于2022年1月至2023年6月期间一个农村振兴示范区的微电网实际运行记录。该微电网包括一个300 kWp的光伏阵列、一个200 kW/400 kWh的锂铁磷酸盐储能系统、一个150 kW的柴油发电机和混合负载。数据以CSV格式存储，时间跨度为18个月，重采样间隔为5分钟，总计约180,000条时间序列记录。每条记录包含38个字段；核心字段包括三相有功功率、光伏阵列直流功率、储能系统SOC和储能系统充放电功率。
- 数据集按时间顺序分为：
- 训练集：2022年1月至12月（70%）
- 验证集：2023年1月至3月（15%）
- 测试集：2023年4月至6月（15%）
- 预测范围为24小时，采样间隔为5分钟，共计288个时间点。原始数据没有进行聚合或重采样。

**评估指标：**
- 预测准确性使用以下指标评估：
- MAE = 1/n * ∑(ni=1 | yi - yi?)
- MAPE = 100% * ∑(ni=1 | yi - yi? / yi)
- RMSE = √(1/n * ∑(ni=1 (yi - yi?)^2)
- nRMSE = RMSE / (yi_max - yi_min) × 100%

**调度性能使用以下指标评估：**
- 能源利用率：Σ(Tt=1) * (Ti * Li, TPVt + TESSt) / ∑(Tt=1 * TPVt) × 100%
- 综合成本：Σ(Tt=1) (cdg_t * cdg_tΔt + cbuy_t * cbuy_tΔt - csell_t * csell_tΔt)
- 轻量级有效性通过参数数量、推理时间（毫秒）和内存占用（MB）来衡量。实时响应通过端到端延迟（秒）来衡量。

**5.4. 实验结果与分析**
**5.4.1. 预测性能比较**
- AGDN在测试集上与单个LSTM、单个Transformer、TCN-Transformer融合模型以及两个先进的轻量级时间序列预测模型SCINet和DLinear进行了比较。所有模型使用相同的训练和验证集，输入窗口为72小时，输出预测未来24小时的结果。为确保公平性，SCINet和DLinear遵循其原始论文推荐的配置，参数数量调整到与AGDN相近的数量级（大约1-2百万）。
- 如表5所示，AGDN的负载预测MAE为4.2%，具体表现为：
- 与LSTM相比减少18.7%；
- 与Transformer相比减少12.3%；
- 与TCN-Transformer相比减少6.7%。
- 与先进的轻量级模型相比，AGDN的准确率超过SCINet（4.2% vs 4.6%）和DLinear（4.2% vs 4.9%），参数数量（220万）与SCINet相当，略高于DLinear（50万）。AGDN的推理时间为49毫秒，略高于SCINet（35毫秒），但仍在系统的实时要求范围内（端到端延迟≤10秒），同时提供显著的预测准确性优势（负载MAE低0.4个百分点）。
- 图9展示了2023年5月15日至21日典型周的负载预测结果。在5月17日突降降雨导致负载短暂下降的情景中，LSTM的响应滞后约2小时；Transformer捕捉到突然变化但波动较大；AGDN则更平滑地跟踪了突然变化，同时保持了整体趋势的准确性。

**5.4.2. 调度有效性分析**
- 比较了三种调度策略：
- 基线策略：不进行预测，固定规则；
- 标准量子启发式算法：固定旋转角度；
- PUG-QIO（本文提出的算法）：基于预测不确定性进行自适应旋转角度调整。
- 表7显示，PUG-QIO的能源利用率为93.2%，比基线策略高11.5个百分点，比标准量子启发式算法高3.7个百分点。平均每日燃料成本为918元，比基线策略低27.3%，比标准算法低10.2%。PUG-QIO的平均响应时间为5.3秒，略快于标准算法（5.8秒），因为自适应旋转角度加快了收敛速度。两种算法均满足系统10秒的响应时间限制，但基线策略的有效性最差。

**5.4.3. 轻量级有效性验证**
- 比较了不同轻量级策略的效果：
- 统一剪枝：固定阈值τ = 0.5；
- TSADP（本文提出的算法）：基于时间敏感性进行差异化剪枝；
- 单独的知识蒸馏；
- 单独的权重量化（INT8）；
- TSADP + 知识蒸馏（本文提出的混合策略）。
- 最终部署模型必须满足Raspberry Pi 4B的运行要求。

**表9显示，不同轻量级策略的有效性比较：**
- 统一剪枝在63%的压缩率下将MAE增加到4.9%（损失0.7个百分点），而TSADP在同一压缩率下仅增加0.2个百分点（4.2% → 4.4%）。0.5个百分点的MAE差异充分证明了TSADP的核心思想：通过时间敏感性分析识别重要层并实施差异化剪枝可以有效地保护对时间建模至关重要的层（如LSTM层、自注意力层），避免关键时间信息的丢失。
- 知识蒸馏单独将模型压缩至120万参数，但MAE上升到4.7%，略高于TSADP + 知识蒸馏（4.5%），表明剪枝前的处理可以减轻准确性损失。
- 权重量化单独实现最快推理速度（28毫秒）和最低内存占用（310 MB），但需要专用硬件加速，MAE为4.5%，与TSADP + 知识蒸馏相当。
- TSADP + 知识蒸馏混合策略实现90%的压缩率，MAE为4.5%（符合设计目标≤4.5%），推理速度为31毫秒，内存占用为458 MB，综合效果最佳。

**图11显示了实际剪枝率在各层中的分布。**

**5.4.4. 综合系统性能评估**
- 该系统在试点村微电网现场进行了集成和部署，并进行了30天的连续实际运行测试（2023年7月1日至30日），如图12所示。
- 实时响应：连续记录了100个完整调度周期的端到端延迟：
- 平均值：8.7秒
- P95百分位延迟：9.8秒
- 最大延迟：11.2秒
- 时间分解：
- 数据采集和预处理：3.2秒
- 预测推理：0.8秒
- 调度优化：4.1秒
- 指令发布和执行：0.6秒

**通信鲁棒性：**
- 4G模块被人为断开8小时以模拟通信中断：
- 中断后30秒：系统自动切换到降级模式，基于历史类似日数据生成调度方案；
- 2小时后：系统切换到紧急模式，启用基于规则的运行；
- 中断期间：能源利用率为88.3%（比正常模式低4.9个百分点），系统未关闭或设备故障。
- 通信恢复后：本地缓存数据自动同步，完整性率为99.7%。
- 经济计算基础：电力成本节省2180元，基于与去年同期（2022年7月）手动经验调度模式的比较：
- 2022年7月（部署前）：柴油消耗约1362升；电力购买成本约12,000元；
- 2023年7月（系统试验）：柴油消耗约982升（减少380升）；电力购买量为1.8 MWh；电力销售收入2460元；
- 柴油价格：8.2元/升；
- 柴油节省成本：380升 × 8.2元/升 ≈ 3116元；
- 净电力成本节省：扣除电力销售收入增加的部分后，净节省约为2180元。
- 根据此计算，系统投资成本预计可在2.3年内回收，为工程部署提供了明确的决策依据。

**稳定性：**
- 在30天的连续运行中：
- 软件异常：记录3次（全部修复）；
- 硬件异常：记录0次；
- 平均故障间隔时间：约240小时；
- 警告级别报警：记录42次，主要来自通信瞬变（31次）和传感器数据异常（11次）。
- 系统在所有情况下均根据设计策略自动恢复，全面展示了系统在实际农村环境中的可靠性。

**6. 结论与未来工作**研究摘要
本文针对农村微电网所面临的通信能力弱、计算能力低以及电力波动幅度大的三大挑战，设计并实现了一种具有预测-调度协同优化和边缘部署能力的能源管理系统。主要贡献如下：

(1) 自适应门控双流网络（AGDN）：提出了一种门控融合机制，用于在特征维度层面动态平衡LSTM和Transformer的贡献。该系统的负载预测平均绝对百分比误差（MAPE）降至4.2%，相较于单独使用LSTM提升了18.7%。

(2) 基于预测不确定性的量子启发式优化（PUG-QIO）：设计了一种将预测置信区间映射到量子旋转角度的算法，实现自适应搜索。该系统的能源利用率达到了93.2%，柴油发电机的平均每日燃料成本降低了27.3%。

(3) 具有时间敏感性差异化剪枝（TSADP）：开发了一种在63%的参数压缩比下仍保持预测精度的剪枝策略。结合知识蒸馏技术，最终部署模型的参数量减少至120万（仅为原始模型的9.6%），推断速度提高了63%，内存占用量低于500MB。

(4) 实地验证：该系统在真实农村微电网中连续运行了30天，端到端响应延迟始终低于10秒。即使在通信条件较弱的情况下，能源利用率仍达到88.3%，累计 electricity 成本节省了2180元人民币，验证了所提方案的有效性和可靠性。

6.2. 主要贡献
(1) 预测层面：AGDN通过门控机制实现了LSTM和Transformer的细粒度自适应融合，使单一模型能够捕捉多尺度波动特征。
(2) 调度层面：PUG-QIO将预测不确定性融入量子搜索中，实现闭环协同优化，在高不确定性环境下能源利用率提升了5.7个百分点。
(3) 部署层面：TSADP引入了基于时间敏感性的差异化剪枝技术，使得高精度模型能够在资源受限的设备上实现边缘部署。

6.3. 局限性与未来工作
尽管取得了上述成果，本研究仍存在一些局限性：
(1) 数据局限：数值天气预报（NWP）、动态电价和农业活动计划等多源信息尚未完全整合到预测框架中。如评审者所指出的，整合这些数据源可进一步提高预测准确性和鲁棒性。这一限制将在我们未来的多源数据融合研究中得到解决（未来工作方向1）。
(2) 算法局限：AGDN中门控向量的可解释性需要进一步分析；历史相似日匹配算法未能充分考虑负载曲线的形态特征。
(3) 工程局限：系统尚未在极端环境条件下（如恶劣天气、长时间通信中断）进行测试，且单点故障的风险尚未得到充分考虑。
(4) 系统集成局限：可调资源（如可调节负载、电动汽车）尚未接入系统，多微电网之间的协作潜力尚未探索。

未来工作
未来的研究将集中在以下三个方向：
(1) 多源数据融合：计划将数值天气预报（NWP）、动态电价和农业机械调度纳入多源数据融合框架中。将气象波动、价格波动和农业活动作为辅助特征与原始时间序列数据结合，使模型能够预测天气变化及其对负载模式的影响。
(2) 通过迁移学习实现跨区域泛化：利用迁移学习将地理位置、气候区和光伏资源水平作为先验知识，通过区域嵌入使模型根据区域特征动态调整预测偏差，从而在少量微调样本的情况下快速适应新区域。
(3) 多微电网协同的联合学习：构建联邦学习框架，每个边缘节点进行本地训练，并仅将加密后的模型参数上传到云端，避免隐私风险。经云端聚合后，生成全局预测模型，实现多个微电网之间的协调能源存储共享，提高区域内可再生能源的利用效率。