利用混合模糊ARTMAP和K-means聚类模型进行短期分解负荷预测 Camilla Nayara Santos Mota, Reginaldo José da Silva, Mara Lúcia Martins Lopes

《Energies》:Short-Term Disaggregated Load Forecasting Using a Hybrid Fuzzy ARTMAP and K-means Clustering Model Camilla Nayara Santos Mota, Reginaldo José da Silva and Mara Lúcia Martins Lopes

【字体: 大 中 小 】 时间:2026年05月02日 来源:Energies 3.2

编辑推荐:

  摘要 在微电网和机构环境中,精确的短期负荷预测在细分层次上至关重要,但由于高消费变异性和有限的背景信息,这仍然是一个挑战。本文提出了一种混合模型,该模型结合了Fuzzy ARTMAP神经网络和K均值聚类,使用来自大学微电网的真实数据来改进小时级负荷预测。该

  摘要 在微电网和机构环境中,精确的短期负荷预测在细分层次上至关重要,但由于高消费变异性和有限的背景信息,这仍然是一个挑战。本文提出了一种混合模型,该模型结合了Fuzzy ARTMAP神经网络和K均值聚类,使用来自大学微电网的真实数据来改进小时级负荷预测。该方法包括关键的预处理步骤,如过滤低负荷记录、去除节假日、插补缺失值,并应用循环编码将数据标准化为每天96个时间间隔(15分钟分辨率)。对于每个预测,计算最近五个工作日的平均负荷曲线,并与聚类中心进行比较,以确定最相似的组,然后使用该组来训练神经网络。结果表明,与未聚类的基线相比,MAPE、RMSE和MAE都有了一致的改进。该模型即使仅依赖于时间戳和负荷数据,也显示出对非平稳行为和非典型模式的鲁棒性。所提出的策略优于传统方法,并适用于数据有限的环境。

1. 引言
短期电力需求预测是电力系统规划、运营和高效管理的重要活动。随着测量技术的进步和消费模式的可变性增加,特别是在低聚合环境中,建模和估计电力负荷的挑战变得更加复杂和不确定[1]。这些挑战因负荷曲线的非线性动态及其对外部因素(如天气条件和用户行为)的敏感性而加剧[2,3]。微电网或机构环境等细分系统由于不规则的占用、间歇性的设备运行以及学术或行政日历的影响而表现出显著的消费变化[4]。这些特性降低了负荷曲线的可预测性,并限制了更聚合系统的平滑效果[5]。因此,需要采用能够处理噪声数据、突发变化和不规则季节性行为的模型。在低聚合环境中应用于短期负荷预测的方法中,人工神经网络(ANNs)因其预测非线性时间序列的有效性而脱颖而出,特别是在这种背景下。为了提高它们的性能,这些网络可以与聚类技术(如K均值算法)结合使用,这使得它们能够专注于具有相似消费模式的子集,从而提高预测性能[5]。基于这种分割思想,还探索了由自组织映射、K均值聚类和多层感知器ANN组成的三阶段架构。该模型已成功验证用于机构微电网的短期预测。该模型展示了适应间歇使用环境的操作变化和季节性模式的能力[4]。另一种计算复杂性较低的方法是基于模式序列的预测(PSF)方法。这种技术也使用K均值对负荷曲线进行初步聚类,并识别与目标日模式相似的历史消费序列。然后根据后续负荷的平均值估计未来负荷,使其适用于具有循环和重复行为的环境[6]。为了改进传统方法的数据分割,还提出了使用模拟退火作为确定性聚类技术,在神经网络训练之前应用。这种策略在分离异构负荷模式方面被证明是有效的,使模型更符合消费曲线特征[7]。在不同的方向上,也探索了其他神经网络架构用于这项任务。在具有高变异性的系统中应用径向基函数神经网络(如实时能源市场)在泛化噪声和复杂时间序列方面表现良好,增强了在具有挑战性的运营场景中替代架构的可行性[8]。尽管有这些进展,仍存在一个关键差距:许多模型是在不反映现实世界运营约束的理想化条件下验证的。首先,它们通常依赖于预测日本身的事后数据,这在只有过去信息可用的实际事前预测场景中是不可行的[9]。其次,它们经常难以处理机构设置的运营不规律性——如罢工、节假日和学术日历变化——这些都会破坏传统的时间序列模式并挑战模型的泛化能力。本文提出了一种用于细分层次小时级负荷预测的混合方法。该方法将Fuzzy ARTMAP神经网络与K均值聚类技术相结合,并使用来自巴西一所公立大学的真实消费数据进行了验证。所提出的模型旨在估计数据库中存在的任何日子的需求,仅考虑每日测量的小时顺序,而不需要连续天数之间的连续性。选择K均值算法的目的是为了处理消费数据的高变异性。与其尝试教神经网络预测一个通用日的消费曲线,不如将具有相似负荷曲线的日子分组。这种分割创建了更加同质的数据子集,减少了噪声和神经网络的复杂性,从而实现了更高效的训练和针对每种消费曲线的专门化模型。选择Fuzzy ARTMAP作为预测神经网络也是战略性的。与其他架构不同,这种网络是一种增量学习模型,使其能够在不遭受灾难性遗忘的情况下学习新模式[10]。此外,其模糊组件使其能够抵抗异常值,即使数据不精确或出现意外峰值也能很好地泛化。这两种技术的结合允许在应用鲁棒且适应性强的模型(Fuzzy ARTMAP)之前对复杂性进行分割。这项工作的主要创新在于一个框架,该框架将聚类与增量学习相结合,以改进可变和非平稳环境中的预测。虽然传统模型难以从单一异构数据集中泛化,但所提出的结构通过允许专门化网络从稳定、同质的模式中学习来提高预测质量。这种方法保持了随着新数据逐步更新的能力——这是Fuzzy ARTMAP的一个内在特征——并确保了连续数据流的可扩展性。因此,它为常见的预测挑战提供了实用的解决方案,包括历史数据有限、未测量变量和用户行为的高变异性。比较了有无聚类步骤的所提方法的有效性。为了进行更全面的验证,该方法的表现将与其他预测算法(包括多层感知器(MLP)和决策树)进行基准测试。这种比较分析突出了混合方法在机构环境中处理细分负荷预测的独特挑战的优势。

2. 材料与方法
本节详细介绍了用于构建、训练和验证所提出的预测模型的数据和方法论程序。

2.1. 数据描述
本研究使用了一个来自巴西大学单个建筑块的真实世界活跃能量测量数据集。数据直接从连接到建筑专用变压器的仪器中收集,确保了负荷曲线的真正细分,不受外部消费源的影响。测量数据从2012年4月24日持续到2013年8月22日。数据集具有高时间粒度,最初以接近15分钟的间隔分布,尽管时间戳存在轻微变化,但在预处理阶段进行了规范。分析期间包括非典型的运营事件,如学术罢工、节假日和低占用阶段,导致消费模式不规则和突然变化。时间序列还呈现出噪声和异常值,这归因于采集故障或电力系统的实际干扰。这些特性为评估非平稳环境中预测模型的鲁棒性创造了具有挑战性的理想测试案例。

2.2. 数据预处理
数据预处理阶段旨在标准化时间序列并过滤掉不具代表性的运营模式。该过程包括规范时间记录、循环编码时间变量、排除不具代表性的观测值以及填充缺失数据。尽管原始数据具有名义上的15分钟粒度,但由于采集系统的缺陷,时间戳存在变化。因此,数据在时间上进行了规范,将负荷值对齐到严格的15分钟网格上。这一步很重要,因为像Fuzzy ARTMAP这样的模型依赖于模式相似性;不规则的测量间隔可能导致聚类效果不佳。规范化消除了这种偏差,确保了在等效时间点比较每日消费曲线。这保持了信号质量,并允许网络使用更可靠的数据进行训练。为了保持时间变量的周期性,使用了三角编码。计算了每条记录从00:00开始的总分钟数,并应用方程(1)和(2)对时间变量进行编码:[(1) (2)]。在将时间序列调整为规则的15分钟间隔后,每个完整的一天包含96条负荷记录。基于这种标准化,所有不完整的日子都被移除了。此外,还排除了对应于国家和市级节假日的日子,以及总消费量低于5000 Wh的日子。这种有意识的过滤使模型专注于具有代表性的运营模式,防止了非典型日子(如节假日或活动最少的时期)的噪声对其在典型工作日的预测性能产生负面影响。总共,这些过滤步骤导致从原始数据集中移除了138天。为了填补偶尔的空白,使用了简单的线性插值。每个缺失值的估计是通过缺失点前后两个有效记录的算术平均值获得的。这种技术在保持序列的局部连续性方面是有效的,而不会引入人为的振荡。

2.3. K均值聚类
来自细分环境(如机构建筑)的负荷曲线的高变异性对预测模型构成了挑战,特别是在细分层次和输入变量有限的小时级预测背景下。缺乏补充信息(如温度、占用率或运营环境)以及仅有的日期、时间和负荷数据,增加了问题的复杂性,并需要额外的分割策略。在这种情况下,无监督聚类算法已被证明在组织高度可变的负荷时间序列方面有效,允许预测模型在更同质的子集中专业化[4,5]。由于K均值算法的简单性和在其高变异性系统中的成功应用,因此选择了K均值。根据Hernández等人的研究[4],K均值可以结合基于神经网络和自组织映射的混合架构,对机构微电网中具有相似行为的每日曲线进行分割。这种方法在准确性和适应季节性和间歇性模式方面显示出显著的优势,特别是在教育环境中的应用中尤为重要。类似地,Panapakidis[5]认为,通过相似性对每日曲线进行预先分组有利于为不同类型的日子构建专门的模型,从而改善了在高运营变异性系统中的小时级预测。从技术角度来看,该算法基于输入向量与中心点之间的欧几里得距离最小化进行分区,迭代调整分组直到收敛。每个中心点代表组的平均行为模式,有助于将数据结构化为更连贯和可解释的集合[4]。在这项研究中,K均值用于通过分析每天的消费向量(96个15分钟数据点)来分组每日负荷曲线。由于K均值对数据规模敏感,每个工作日子集(例如所有星期一)在算法处理之前都使用了Z分数进行了标准化。平均数和标准差参数是根据用于模型训练的数据计算得出的。对于技术实现,使用了K-means++初始化方法来选择初始中心点,因为它通过选择彼此相距较远的初始点来促进更高效和稳定的收敛。该算法使用了欧几里得距离度量,这特别适合表示为向量的时间序列数据。聚类的数量固定为三个()。虽然内部评估指标(如肘部方法)通常用于找到统计上最优的聚类数量,但这种方法并不符合这里的主要目标。主要目标是根据相似的负荷行为创建具有操作意义的组,确保每个子集有足够多的天数进行有效的模型训练。因此,这个固定值是一个实用的选择,以保证每个专门的Fuzzy ARTMAP网络都能在稳健的数据样本上进行训练,防止与稀疏聚类相关的不稳定性和较差的泛化能力。这一步骤为Fuzzy ARTMAP网络准备了数据集,使其能够使用更同质的信息进行训练。即使每日数据不稳定,这种方法也能保持预测的一致性。提出的混合建模方法用于负荷预测

该预测策略基于一种混合方法,将K均值聚类与Fuzzy ARTMAP神经网络相结合。Fuzzy ARTMAP是一种具有增量适应能力的监督学习模型,由两个Fuzzy ART模块组成,它们分别处理输入和输出向量。这些模块通过一个inter-ART结构相互连接,该结构管理匹配跟踪机制,确保学习的稳定性。网络的增量学习特性消除了每次新输入时都需要重新处理整个历史数据集的需求,这使得该架构具有可扩展性,并且非常适合负荷特征不断变化的环境[10,11,12]。(有关Fuzzy ARTMAP网络架构和学习机制的详细描述,请参见附录A)。

该模型被设计为按工作日(周一至周五)进行分段处理。这种方法旨在捕捉重复的消费模式,同时承认即使在同一组内,不同日期之间也存在显著差异。这允许系统地评估预测器的效率,考虑到每个日常模式的独特行为特征。由于周末的消费特征不典型且不具备代表性(因为校园在这些天的占用率很低,导致消费量极低且不规律),因此将周末排除在分析之外。

为了应对负荷特征的高变异性以及缺乏温度或占用率等补充信息的问题,混合方法使用K均值聚类的输出(详见第2.3节)来细化预测。为了预测特定的一天,计算最近五个工作日的平均负荷曲线,并将其与获得的质心进行比较;选择这个值是为了在捕捉近期消费趋势和平滑单日异常之间取得平衡。设d日为某一天,t时刻的负荷值为ld。这l天的平均负荷由公式(3)给出,完整的平均负荷曲线向量由公式(4)给出:

(3)
(4)

整个方法论在图1中以图形形式进行了总结。整个流程可以分为两个主要阶段:离线训练阶段和在线预测阶段。

图1. 混合负荷预测方法的图形表示。

**离线训练阶段(每个工作日执行一次):**
- 数据分割:首先按工作日(例如,所有周一)对历史数据集进行分割。
- 标准化:使用Z分数对子集中的每个日负荷曲线进行标准化。
- 聚类:应用K均值算法将标准化后的曲线分为k个不同的簇,每个簇代表一种典型的消费模式。
- 模型细化:在每个簇的数据上单独训练一个Fuzzy ARTMAP网络,创建k个专门的预测模型。

**在线预测阶段(针对每个目标日执行):**
- 参考曲线生成:通过平均最近五个工作日的消费曲线来计算参考负荷曲线。
- 簇选择:将此参考曲线与训练出的k个簇的质心进行比较,并选择相似度最高的簇(即欧几里得距离最小的簇)。
- 模型激活:激活与所选簇对应的专门Fuzzy ARTMAP模型以执行预测任务。
- 递归预测:激活的模型使用递归机制为目标日生成24小时的负荷预测。

上述递归机制是模型预先设计的一个基本方面。它利用三个时间步长的滑动窗口来预测第h步的负荷。为了生成整天的预测,过程从使用前一天的最后三个已知消费值来初始化窗口开始。在做出第一次预测后(例如,00:00),该机制变为完全递归的:这个新预测的值被反馈到滑动窗口中,作为预测下一个时间步长(例如,00:15)的输入。这个迭代过程持续进行一天中的所有96个时间间隔,确保在没有任何未来消费数据的情况下生成预测。除了负荷值外,每个时间步长的网络输入还包括使用正弦和余弦编码的小时数,如第2.2节所述。

正式地,递归预测过程可以表示为:

(5)

其中表示时间步长h的预测负荷值,和分别对应于该时间步长的三角函数编码。

**2.5. 实验设计与评估**

通过三种不同的建模场景的比较分析来评估所提出方法的有效性。
(1)评估了由完整的K均值和Fuzzy ARTMAP架构组成的混合模型。
(2)建立了一个消融基线,以隔离聚类组件的具体贡献。为此,使用与目标日相同的工作日的15个随机选定天的数据训练了一个独立的Fuzzy ARTMAP网络,确保要预测的日期不在训练集中。
(3)进行了基准比较,以将模型的性能与两种经典算法进行对比:多层感知器(MLP)和决策树。选择MLP是因为它是一个广泛认可的基准,并且代表了与Fuzzy ARTMAP不同的神经网络范式。选择决策树作为基于规则的、非参数方法的代表。与这些多样化、已建立的模型的比较为所提出的方法提供了更全面的验证。

在没有聚类的场景中使用15天进行训练的目的是为了模拟具有有限历史数据记录的实际环境,同时确保有足够的样本量进行训练。Fuzzy ARTMAP网络特别适合这项任务。由于其增量学习能力,它即使数据量较少也能泛化模式。这一特性使其能够在不“忘记”旧模式的情况下学习新信息。通过使用随机天数,该方法迫使模型学习更一般的 weekday 模式,防止模型依赖于短期时间依赖性。这一点很重要,因为网络的模糊组件也使其能够抵抗异常值和噪声,即使数据点不精确或不可预测也能表现良好。

整个验证过程是对所有工作日迭代进行的。对于每个工作日子集,模型在除了一个天之外的所有天上进行训练,这一天用于预测。这个过程重复进行,直到子集中的每一天都被单独预测。这种方法允许在历史序列有限的场景中评估模型的性能,并且不需要各天之间的时间连续性。

为了确保最佳性能并防止过拟合,使用网格搜索方法系统地调整了所有机器学习模型(Fuzzy ARTMAP、MLP和决策树)的超参数。网格搜索是一种技术,它彻底搜索超参数空间的指定子集以找到在验证集上表现最佳的模型。它评估预定义参数网格中的每一种可能的值组合[13]。这种优化是为每个工作日子集(例如,所有周一)独立进行的,以确保公平比较,其中每个模型都针对该工作日的具体数据特征进行了微调。然后在验证集上产生最低平均误差的参数集被固定下来,并用于该特定工作日组的所有后续预测。这种方法确保模型在整个子集中泛化,而不是专门针对个别天数。

每个模型的参数网格定义如下:

- Fuzzy ARTMAP:
- 输入模块警戒参数():值在0.90到0.99之间,步长为0.01;
- 输出模块警戒参数():值在0.92到0.999之间,步长为0.001;
- Inter-ART模块警戒参数():固定值为0.8;
- 学习率():离散值{0.1, 0.2, 0.5, 0.8, 1.0};
- 选择参数():固定值为0.005。

- 多层感知器(MLP):
- 隐藏层大小:包括单层(例如,(5),(10),(20)和多层(例如,(3, 8),(5, 25),(3, 5, 10);
- 激活函数:relu和tanh;
- 求解器:优化算法Adam和L-BFGS;
- 正则化项:0.0001和0.001;
- 学习率调度:恒定和自适应。

- 决策树:
- 最大深度:无限,5,10和20;
- 分割的最小样本数:2,5和10;
- 每个叶子的最小样本数:1,2和4;
- 分割的特征数量:全部,‘sqrt’和‘log2’。

在验证集上产生最低平均绝对百分比误差(MAPE)的超参数配置被选为每个实验的最佳配置。模型性能基于三种广泛用于评估预测性能的统计指标进行评估[14]:

在上面的方程中,表示时间步长h的预测负荷值,和分别对应于该时间步长的三角函数编码。

模型的实现是在Python 3.10环境中使用Jupyter Notebook(版本7.0.8)完成的。Fuzzy ARTMAP神经网络是为本研究自定义实现的,还使用了Scikit-learn(版本1.6.1)等库进行数据预处理和K均值聚类[15]。模拟是在配备16 GB RAM的Intel(R) Core(TM) i7-8700 @3.20GHz(12核)处理器上进行的。源代码可根据学术复制和验证需求提供。

**3. 结果**

本节展示了将第2.4节描述的混合模型应用于短期每小时负荷预测任务的结果。目标是评估模型在估计具有15分钟分辨率的完整24小时消费曲线方面的预测性能。

通过比较三种场景下的模型性能来评估所提出方法的有效性:包含完整K均值和Fuzzy ARTMAP架构的混合模型、没有聚类的Fuzzy ARTMAP基线,以及与其他经典机器学习模型(如MLP和决策树)的比较。对数据集中存在的所有工作日(从周一到周五)进行了预测。

**3.1. 对比性能分析**

为了概述模型的性能,表1展示了所有工作日的错误指标的平均值和中位数。表1. 按工作日划分的模型性能对比(平均值和中位数)。混合模型在所有指标和所有工作日中始终优于其他模型。之前的聚类通过选择更同质的训练样本,显著减少了误差,显示出明显的平均收益。

**3.2. 统计分析(Mann–Whitney U检验)**

下表展示了Mann–Whitney U检验的结果,比较了混合模型与基线模型(没有聚类的Fuzzy ARTMAP、决策树和MLP)在每个工作日上的性能。该测试针对所有错误指标进行。p值低于0.05表示模型之间存在统计学上的显著差异。

表2显示,混合模型与其他模型之间的差异在所有三个指标上都是统计学上显著的。这证实了聚类带来的收益不是随机的,代表了模型性能的真实提升。

**3.3. 簇分析与负荷行为**

混合方法使用基于相似性的聚类来优化网络训练。使用前五个工作日的平均值来识别最相似的簇的策略被证明是有效的,因为这个平均值倾向于捕捉到近期的能源消费行为模式。这在图2中可见,该图比较了测试日(2013年3月25日)的负荷曲线与前五个工作日的负荷曲线。平均曲线(红色虚线)紧密跟随测试日(蓝色虚线)的一般行为,证明了其作为聚类参考的合理性。

图2. 前几个工作日的负荷曲线以及测试日(2013年3月25日)的平均值。

为了进一步强调聚类的有效性,图3(热图)和图4(折线图)展示了K均值算法为周一识别的三个簇的平均负荷曲线。选择这个特定的工作日进行详细可视化,因为它通常表现出最明显的消费变化,使得聚类效果特别明显。例如,簇1代表了显著更高的消费模式,在工作时间内,特别是在上午9:00到下午2:00之间有尖锐的峰值。相比之下,簇2在整个白天呈现出较低的负荷曲线。K均值清晰地区分了这些行为,表明聚类组织了数据,使得Fuzzy ARTMAP网络可以从更加同质和一致的消费曲线中学习。识别和利用这些独特模式的能力是混合模型表现优异的关键因素。图3显示了周一各集群中的负载行为热图。图4显示了周一各集群中的平均负载行为。3.4. 性能分析与定性比较以下表格(表3和表4)详细列出了某些日子的性能指标,提供了混合模型与Fuzzy ARTMAP方法之间的定性比较。我们在这里不展示其他模型(MLP和决策树)的详细结果,因为它们的表现一直较差,这已在整体统计分析以及表1和表2中得到证实。这种专注的方法允许更直接、更相关地验证聚类对混合模型的贡献。表3展示了未使用聚类时的预测结果,以及按日期和工作日的误差指标。表4展示了使用聚类时的预测结果,以及按日期和工作日的误差指标。

根据第2.5节描述的非聚类方法,所有工作日都是使用基于相同工作日的随机子集进行单独预测的。结果说明了在分散环境中进行预测的挑战,在这些环境中,模型的性能可能会因工作日不同而显著变化。模型的性能在工作日之间有显著差异。平均MAPE值在周一和周三较高,这表明这些天的消费动态更为复杂。这种行为可能与周末后活动的恢复以及机构日常活动的多样性有关。由于非聚类方法不执行先前的相似性过滤,训练集中存在非典型或噪声较大的数据会直接影响误差指标。这突显了这种策略在行为变化较大的环境中的局限性。表3中的数据仅是预测日的示例,因为预测是针对从周一到周五的所有可用工作日进行的。

3.5. 使用聚类的结果混合方法通过使用初步的聚类步骤优化了Fuzzy ARTMAP网络的训练。这种方法使模型能够从更加同质的数据子集中学习。对于每个预测,模型使用前五个工作日的平均负载曲线来识别最相似的集群。然后仅使用该特定集群的数据来训练Fuzzy ARTMAP网络。这一过程确保模型从最相关的数据中学习,同时从训练集中移除测试日以保持因果关系。表4提供了样本测试日的MAPE、RMSE和MAE值。数据具有代表性,因为模型是针对从周一到周五的所有可用工作日执行的,如方法论中所述。

总体而言,与非聚类方法相比,误差指标有显著降低,尤其是在负载模式变化较大的日子里。这一结果强化了基于相似性的分割对模型专业化以及提高在高行为波动的机构环境中预测可靠性的贡献。

3.6. 各方法之间的总体比较本节提供了使用K-means聚类与否进行预测的比较分析。我们重点关注混合方法和基础Fuzzy ARTMAP模型,因为这两种模型的表现始终优于其他方法,如MLP和决策树。初步的性能分析和Mann–Whitney U统计测试确认了它们在所有指标和工作日上的优越性,这证明了这种有针对性的比较是合理的(见第3.1节和第3.2节)。表5显示了应用聚类后每个指标(MAPE、RMSE和MAE)的百分比增益。增益是基于与非聚类方法相比的相对误差减少计算得出的,使用了表3和表4的结果。目的是突出分割策略对预测效果的实际益处。

图5、图6和图7直观地展示了两种策略生成的预测之间的差异,比较了有无聚类时的实际负载曲线。显然,通过按相似性对数据进行分组,模型能够更准确地再现负载曲线的结构。图5显示了2012年12月17日(周一)的负载曲线比较分析。图6显示了2013年1月24日(周四)的负载曲线比较分析。图7显示了2013年2月1日(周五)的负载曲线比较分析。这一结果(图5)突显了一个关键发现:混合模型更好地捕捉负载曲线的形状,解释了其定量上的优势,特别是在能源管理至关重要的高峰负载时期。如图6和图7所示,混合模型在不同日期更准确地捕捉负载曲线趋势的能力非常明显。聚类方法始终与实际负载更吻合,显示出其在管理日常能源消耗变化方面的可靠性。

4. 讨论结果表明,我们的混合模型结合了K-means聚类和Fuzzy ARTMAP神经网络,是预测不断变化模式环境中能源消耗的有效工具。通过对所有工作日使用多种误差指标的分析,发现该模型不仅超越了单独的Fuzzy ARTMAP网络,而且表现也优于传统的决策树和MLP方法。模型的成功在于聚类如何组织训练过程。通过将具有相似消费模式的日子分组,Fuzzy ARTMAP网络可以从更干净、更集中的数据集中学习。表1通过减少MAPE、MAE和RMSE值展示了这种改进。使用Mann–Whitney U测试(表2)进行的统计分析证实了这种改进并非偶然。即使在统计显著性不太明显的少数情况下,例如周三的MAPE值,该值仍在置信范围内,这证明了模型的一致性。一个关键的设计决策是使用前五个工作日的平均消费量来选择正确的预测集群。这种方法效果很好,因为最近的行为是预测接下来会发生什么的良好指标。图2清楚地说明了这一点,显示了平均曲线与测试日的实际曲线非常接近。这是一个简单实用的解决方案,使模型能够在不需要复杂配置的情况下适应新趋势。

图3和图4展示了这种方法为何如此有效。图像显示了周一的不同消费模式:有些日子有高且明确的消费高峰,而其他日子的消费则较低且更稳定。聚类成功地分离了这些不同类型的日子,使预测模型能够针对每种情况进行专门化。图5、图6和图7展示了这种专门化的结果:混合模型的预测比没有聚类的模型更忠实地跟随实际消费的形状和高峰。这项工作建立在先前研究的基础上,但专注于一个具体挑战:仅使用历史消费数据在现实世界环境中预测负载,而不需要额外的数据,如天气预报。结果表明,即使没有这些额外信息,智能地组织数据也能带来巨大好处。模型处理这些数据自然不稳定性的能力表明,它也可能适用于其他涉及复杂时间序列的预测问题,例如预测不同类型建筑的太阳能发电量或需求。它甚至可以应用于其他回归任务。

重要的是要认识到这项研究的一些局限性。分析仅依赖于历史消费数据,如果加入温度、学术日历或建筑占用率等信息,预测效果可能会更好。数据集本身存在缺陷,例如罢工期和数据缺失,尽管通过插值进行了修正,但这可能给过程增加了一些噪声。选择三个集群也是一个实际的决定,以确保每个组都有足够的样本进行有效训练;更长的数据历史可以允许使用更多的集群,可能进一步提高预测精度。最后,尽管模型在所有可用工作日都进行了测试,但在其他地点(如不同的大学或商业建筑)的表现仍需验证。未来,我们计划探索在应用聚类之前使用平滑技术来过滤数据中的噪声。使用外部数据和其他地点测试模型对于确认其在能源管理中的实际效用至关重要。Fuzzy ARTMAP网络持续学习的能力及其对噪声的良好容忍度与这种方法完美契合,使模型能够在不需要完全重新训练的情况下适应新的模式。

5. 结论本研究提出了一种基于Fuzzy ARTMAP神经网络和K-means聚类整合的混合模型,应用于小时级电力负载的预测。所开发的方法论因其能够动态识别与给定日子的消费模式最相似的群体而脱颖而出,这是基于最近五个工作日的平均值。因此,可以使用与预期行为更一致的数据来训练网络,从而提高模型的准确性。重要的是要强调,良好的性能不仅归功于聚类的应用,还归功于建模之前执行的一系列关键数据预处理步骤。这些步骤包括移除低于5000瓦的负载记录、排除国家和市政假期、用插值填补数据缺失的间隙,以及使用循环编码来表示时间变量,将曲线标准化为具有96个每日记录(15分钟间隔)的序列。这些措施对于确保使用轮廓之间的一致性和可比性至关重要。结果显示,在MAPE、RMSE和MAE指标上都有显著改进,不仅优于非聚类方法,也优于其他成熟的模型,如MLP和决策树。Mann–Whitney U测试验证了这些改进的统计显著性,证实了混合架构的优越性。此外,该模型在面对机构微电网典型的行为波动时表现出鲁棒性,即使在没有温度或占用率等外部变量的情况下也是如此。所采用的结构对于数据不完整或难以标准化的真实环境来说很有前景,为该领域的文献做出了方法论上的贡献。

然而,这项研究也存在一些局限性。可用数据集仅包含负载和时间戳(日期和时间)信息,没有额外的解释变量。分析期间恰好包含了学术不稳定时期(如罢工),这影响了消费模式,使得即使在同一工作日内,每一天也可能变得不典型。数据集还存在错误和数据缺失,需要使用插值技术来填补空白。此外,处理具有高噪声和不规则行为的离散负载的固有挑战也给建模带来了额外的障碍。尽管如此,鉴于场景的复杂性,观察到的MAPE值被认为是令人满意的。对于未来的发展,建议将平滑技术整合到预处理流程中,以减少高频噪声并提高信号的连续性。此外,将模型应用于不同的机构环境和不同的聚合水平可能有助于评估其泛化能力,并扩展其实际应用范围。
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