基于鲁棒数据驱动计算框架的建筑能耗模式综合短期分析

《Global Energy Interconnection》：Comprehensive short-term analysis of building energy consumption patterns based on a robust and data-driven computational framework

　　

研究人员引入了一种混合优化方法，用于短期负荷预测（short-term load forecasting），该方法利用人工神经网络（artificial neural network, ANN），在径向基函数神经网络（radial basis function neural network, RBF NN）内集成了粒子群优化（particle swarm optimization, PSO）和灰狼优化器（grey wolf optimizer, GWO）方法。传统的优化技术，如粒子群优化（PSO）和灰狼优化器（GWO），常常遇到挑战，包括局部最优（local optima）、收敛慢（slow convergence）和探索无效（ineffective exploration），这限制了它们在优化人工神经网络（ANN）参数方面的有效性。建议的混合方法通过利用两种技术的优势来解决这些限制，旨在提高收敛速度并防止过早收敛。所提出的方法通过一系列实验进行评估，比较了各种优化算法，包括粒子群优化（PSO）、灰狼优化器（GWO）、加速灰狼优化（accelerated grey wolf optimization, AGWO）、多宇宙优化器（multi-verse optimizer, MVO）和飞蛾火焰优化（moth-flame optimization, MFO），基于不同的性能指标。实验遵循系统程序，包括数据预处理、优化、训练和性能评估。研究中确定的最佳参数，包括粒子群优化（PSO）和灰狼优化器（GWO）值的最有效组合，对冷却负荷（cooling loads）产生0.9668的决定系数（coefficient of determination, R²），对加热负荷（heating loads）产生0.9411，超过了所有其他方法。本研究说明，混合优化方法可以显著提高人工神经网络（ANN）的效能，为短期负荷预测（short-term load forecasting）提供了更有效的解决方案。

**基于鲁棒数据驱动计算框架的建筑能耗模式综合短期分析——论文解读**

**研究背景与问题**

负荷预测（load forecasting）是改进能源系统规划、运行和控制的关键问题，高精度预测能显著降低能源系统的发电和运营成本，带来巨大的经济和社会效益。然而，传统方法如回归分析、时间序列模型（ARIMA、SARIMA等）属于线性方法，难以处理非线性模式；人工智能方法（如人工神经网络ANN、支持向量机SVM）虽能较好建模非线性数据，但容易过拟合，对大数据集需求高。混合模型整合多种优化策略虽已出现，但现有混合方法在短期负荷预测（short-term load forecasting, STLF）中仍面临计算复杂度高、收敛慢、易陷入局部最优等问题。特别是，针对径向基函数神经网络（RBF NN）参数的混合优化研究尚不充分。为此，研究人员提出一种混合粒子群优化-灰狼优化器（PSO-GWO）方法，用于优化RBF NN参数，旨在提高短期负荷预测的精度和计算效率。

**研究内容与结论**

研究人员提出的混合RBF-PSOGWO模型，通过将PSO的全局搜索能力与GWO的平衡探索-开发策略相结合，优化RBF NN的参数。基于美国德克萨斯大学奥斯汀主校区2011年9月至2012年9月共8762小时的实际冷却负荷和加热负荷数据（7000条训练，1762条测试），与加速灰狼优化（AGWO）、标准灰狼优化（GWO）、标准粒子群优化（PSO）、多宇宙优化器（MVO）、飞蛾火焰优化（MFO）等五种算法进行对比。结果显示，混合RBF-PSOGWO模型在冷却负荷预测中决定系数R²达0.9668，在加热负荷预测中R²达0.9411，均优于所有对比方法。研究表明混合优化方法能显著提升人工神经网络的效能，为短期负荷预测提供了更有效的解决方案。该论文发表在《Global Energy Interconnection》。

**主要关键技术方法（不超过250字）**

研究采用径向基函数神经网络（RBF NN）作为预测模型，并利用粒子群优化（PSO）与灰狼优化器（GWO）的混合算法（RBF-PSOGWO）优化RBF NN的隐藏层参数。数据来源于美国德克萨斯大学奥斯汀主校区（约1.6×10⁶ m²，含160余栋建筑），涵盖2011年9月1日至2012年9月1日的逐时冷却负荷与加热负荷，共8762个数据点，其中7000条用于训练，1762条用于测试。评估指标包括标准误差（SE）、均方误差（MSE）、均方根误差（RMSE）、平均绝对百分比误差（MAPE）、平均绝对误差（MAE）、相对绝对误差（RAE）、相关系数（R）、决定系数（R²）和归一化均方误差（NMSE）。对比算法包括AGWO、GWO、PSO、MVO和MFO，超参数设置基于文献与初始测试（如PSO惯性权重0.7、认知系数1.5、社会系数1.5；GWO狼群数量30、迭代100次等）。研究中忽略了具体试剂与操作步骤。

**研究结果**

**3. 数值分析**

通过实际数据库的数值分析，研究人员展示了六种方案（RBF-PSOGWO、AGWO、GWO、PSO、MVO、MFO）的预测曲线与真实负荷曲线。图3显示所有方案均具良好拟合，但RBF-PSOGWO模型在冷却和加热负荷上均紧密跟随真实数据。图4提取子序列（6950-7050数据点）进一步验证RBF-PSOGWO在测试集上的高精度。图5散点图表明，RBF-PSOGWO的整体R²在冷却负荷为0.9585，加热负荷为0.9396，均高于其他方案（最低为MFO，冷却0.8459，加热0.8592）。图6残差分布显示RBF-PSOGWO的残差分散最小、标准差最低，而MFO残差最大。图7收敛曲线表明RBF-PSOGWO在1000次迭代内达到最低收敛值，说明其收敛速度快且能避免局部最优。

**4. 基于统计评价指标的模型比较**

表3和表4列出了所有方案在训练集、测试集和总数据库上的SE、MSE、RMSE、MAPE、MAE、RAE、R、R²、NMSE指标。图8表明，R²排序为R²_PSOGWO > R²_AGWO > R²_GWO > R²_PSO > R²_MVO > R²_MFO，冷却负荷R²（训练0.9668、测试0.9678、总0.9585）高于加热负荷（训练0.9411、测试0.9444、总0.9396）。图9显示R指标同样PSOGWO最高，RMSE、MAPE、MSE指标最低。图10显示SE、RAE、MAE指标RBF-PSOGWO均为最低。图11误差箱线图表明RBF-PSOGWO的误差均值和分布范围最小。附加多轮试验的标准差计算进一步确认了RBF-PSOGWO的稳定性和鲁棒性。计算时间对比（表2）表明PSO-GWO混合法耗时25秒，高于PSO（15秒）和GWO（18秒），但低于MVO（30秒）和MFO（35秒），在精度与效率间取得良好平衡。

**总结讨论与结论**

讨论部分指出，混合方法能够有效减轻或消除单一方法的缺点，尤其在避免陷入局部最优方面表现突出。混合PSO-GWO利用了PSO和GWO两者的能力，将方向性引导与探索-开发平衡结合，显著提升了RBF NN的优化效果。评估指标的多维度对比一致证明混合RBF-PSOGWO模型在短期负荷预测中具有最优性能和良好泛化能力。

研究结论翻译如下：准确短期开发和规划能源系统各组成部分受负荷预测显著影响。文献综述表明研究人员考虑了多种负荷预测方案，单一方法在多种情况下很少最有效。本研究比较了混合方案与单一方案作为RBF NN优化器用于短期负荷预测，推荐了混合RBF-PSOGWO方法。该方法整合PSO和GWO算法以优化RBF NN参数。通过五项额外优化器（AGWO、GWO、PSO、MVO、MFO）的对比，利用实际案例数据及多种统计指标（SE、MSE、RMSE、MAPE、MAE、RAE、R、R²、NMSE）评估所有方法效能。结果表明，使用混合方法（RBF-PSOGWO）作为人工神经网络（RBF）优化器比其他单一方法更高效，混合技术可减轻或消除单一方法的缺点与不足，混合方法在防止陷入局部最优方面表现更佳。混合PSO-GWO利用了PSO和GWO的能力，结果显示推荐的混合RBF-PSOGWO方法在评价指标上优于其他方案。