GreenEdge：一种计算可持续的自适应学习框架用于节能智能家居社区

《Sustainable Computing: Informatics and Systems》：GreenEdge: A computationally sustainable adaptive learning framework for energy-efficient smart home communities

　　

随着人工智能在智能家居能量管理系统中的快速采用，预测精度得到了显著提高；然而，日益复杂的学习架构的计算可持续性在很大程度上仍被忽视。本研究提出了GreenEdge，一种新颖的可持续性感知自适应学习框架，旨在最小化计算开销，同时保持智能家居社区中的预测和能量管理性能。所提出的框架集成了四个原创组件：（i）时间信息分数（Temporal Information Score, TIS），通过自相关强度、频谱集中度和序列互信息量化能量消耗数据中可开发的时间依赖性；（ii）自适应复杂度选择算法（Adaptive Complexity Selection Algorithm, ACSA），自动选择计算上最合适的预测层级；（iii）绿色加权损失函数（Green-Weighted Loss, GWL），联合优化预测精度和计算能量消耗；以及（iv）盈余-赤字匹配协议（Surplus–Deficit Matching Protocol, SDMP），用于智能家居之间可持续性驱动的点对点能量交易。在包含20–200个住宅单元、跨度365天的公开智能家居能量数据集上进行了实验。结果表明，所提出的TIS正确识别了弱时间结构（TIS = 0.092），导致ACSA倾向于轻量级统计模型而非计算昂贵的深度学习架构。GreenEdge实现了与先进深度模型相当的预测性能，平均绝对误差（Mean Absolute Error, MAE）为1481.19 kWh，而训练能耗仅为0.0001?Wh，相比之下BiGRU-Attention网络为0.585?Wh。此外，可持续预测效率（Sustainable Prediction Efficiency, SPE）接近1，证实了所提出框架的计算能量消耗相对于实现的能量管理增益而言可忽略不计。SDMP机制通过可扩展的点对点能量交换进一步提高了社区自给自足能力。研究结果表明，可持续性自适应模型选择可以在不损害智能能量管理决策的情况下消除不必要的计算负担。因此，GreenEdge为未来智能电网生态系统中的环境可持续、边缘兼容且节能的人工智能部署提供了一条实用路径。

住宅建筑约占全球电力需求的27%，且随着电气化扩展至供暖、制冷和交通领域，这一比例持续增长。国际能源署预计，到2040年全球住宅能耗将增加15%，主要推动力来自发展中国家的人口增长和智能家居中联网设备的普及。智能家居能量管理系统（Home Energy Management System, HEMS）通过自动负荷调度、需求响应以及产消者之间的点对点（Peer-to-Peer, P2P）能量交易，成为减少需求的关键策略。HEMS的核心是预测引擎，其精度直接影响负荷转移、电池调度和P2P交易等下游决策质量。过去五年，研究者竞相提出越来越复杂的深度学习架构（如卷积神经网络与循环单元、注意力机制、元启发式优化器的组合）来提升预测精度，但每个研究仅报告微小的精度增益，却忽视了三个根本问题：第一，能源数据是否真的包含足以证明使用序列架构（如LSTM或GRU）的时间模式？第二，模型训练和推理消耗的计算能量是否抵消了预测所节省的能量？第三，预测精度的提升是否能转化为可衡量的更好的能量管理决策？由于这些问题的存在，当前研究在资源受限的智能家居环境中缺乏实际部署的可持续性考量。因此，研究人员提出了GreenEdge框架，旨在通过可持续性感知的自适应学习，在保持预测和能量管理性能的同时最小化计算开销。该研究发表在《Sustainable Computing: Informatics and Systems》。

研究人员为开展研究主要使用了以下关键技术方法：（1）时间信息分数（Temporal Information Score, TIS），通过自相关强度、频谱集中度和序列互信息复合指标量化能源数据中的可开发时间结构；（2）自适应复杂度选择算法（Adaptive Complexity Selection Algorithm, ACSA），基于TIS值（阈值τ₁=0.15, τ₂=0.45）自动选择统计、机器学习或深度学习层级；（3）绿色加权损失函数（Green-Weighted Loss, GWL），在均方误差中加入计算能量惩罚项：GWL = MSE + λ × (E_model / E_baseline)；（4）盈余-赤字匹配协议（Surplus–Deficit Matching Protocol, SDMP），基于预测输出优化匹配盈余家庭与赤字家庭，最大化社区自给自足并最小化交易次数。实验数据来源于公开的智能家居能量数据集，包含20、50、100、200个家庭各365天的日消耗与生产数据，消耗数据由沙特阿拉伯北部天气校准的电器模型生成（冰箱、空调、照明、厨房电器），生产数据模拟光伏和风力发电。

5.1 TIS分析结果：通过计算所有200个家庭的TIS，发现全部低于0.15（τ₁阈值），表明整个数据集缺乏足够的时间结构，不应使用机器学习或深度学习模型。对比具有正弦季节模式的合成数据（TIS=0.78），验证了TIS区分时间结构的有效性。ACSA据此选择统计模型层级。

5.2 预测性能比较：GreenEdge（最终选择Ridge回归）在所有社区规模上取得与最先进深度学习模型（BiGRU-Attention）相当的预测精度（MAE分别为1481.19 kWh和1479.84 kWh），但训练能耗仅为0.0001 Wh，而BiGRU-Attention为0.585 Wh。在20、50、100、200家庭规模下，GreenEdge始终保持约三个数量级的能量优势。

5.3 消融研究：移除GWL（仅用MSE）后，训练能耗上升约1.5倍而MAE无明显改善；移除ACSA（固定使用深度模型）后，计算能耗剧增而精度提升不足1%。证实GWL和ACSA各自对可持续性有独立贡献。

5.4 可持续性分析：可持续预测效率（Sustainable Prediction Efficiency, SPE）定义为能量管理净增益与计算能耗之比，GreenEdge的SPE接近1，意味着计算能耗相对于所实现的能量管理增益可忽略。而BiGRU-Attention等深度模型的SPE低于0.01，表明其计算能耗抵消了大部分节能收益。

5.5 SDMP性能：SDMP通过点对点能量交易将社区自给自足率提高至约85%（无交易时约60%），交易次数随社区规模线性增长，但匹配算法在200家庭规模下仍保持高效（平均每家庭参与交易次数<2次）。SDMP显著减少了从电网购电的需求。

在讨论部分，研究人员指出，对于智能家居系统设计者，GreenEdge提供了具体部署协议：在投资GPU加速深度学习基础设施前，先计算目标数据集TIS；若TIS低于0.15，直接在边缘设备部署统计模型（如Ridge回归仅含7个参数，模型大小56字节，训练6毫秒，推理微秒级），可在任何微控制器上运行。该方法避免了不必要的通信和云计算开销。研究还讨论了局限性：数据集基于模拟生成，未包含真实用户行为的时间变化（如假期、临时居住变动），且未考虑多种电器类型混合的复杂场景。未来研究方向包括在真实数据上验证、扩展TIS以处理多变量时间序列、以及将框架与动态电价市场结合。

研究结论部分翻译如下：本文提出了GreenEdge，一个面向物联网智能家居社区的可持续性感知自适应能量管理框架。该框架包含四个原创组件：（1）时间信息分数（TIS），通过自相关强度、频谱集中度和序列互信息量化能源数据中可开发的时间结构；（2）自适应复杂度选择算法（ACSA），将TIS映射至最优模型复杂度层级；（3）绿色加权损失函数（GWL），在训练目标中嵌入计算能源惩罚；（4）盈余-赤字匹配协议（SDMP），根据预测结果实现可持续驱动的点对点能量交易。在包含不同规模社区的公开数据集上，研究人员验证了GreenEdge在保持与先进深度学习模型相当预测精度的同时，将计算能耗降低三个数量级。研究表明，可持续性感知的自适应模型选择可以消除不必要的计算负担而不损害智能能量管理决策。GreenEdge为未来智能电网生态系统中的边缘兼容、节能且环境可持续的人工智能部署提供了一条实用路径。