面向城市建筑能源管理中可持续与准确需求预测的调度自适应重校准

《Sustainable Cities and Society》：Scheduled adaptive recalibration for sustainable and accurate demand forecasting in urban building energy management

　　

准确且自适应的城市建筑能源需求预测对于储备调度、需求响应和面向可持续性的城市能源管理至关重要。本文提出了一种自适应混合预测框架，该框架结合了Wasserstein生成对抗预测器（Wasserstein generative adversarial forecaster, WGAN）、基于粒子群的超参数自适应（particle swarm based hyperparameter adaptation, PSO）以及与强梯度提升基线（gradient-boosted baseline, GBM）的验证校准混合（validation-calibrated blending）。该框架中的自适应是一种周期性的、计划性的离线重校准，以每日到每周的节奏进行，而非实时在线参数更新；粒子群搜索在此重校准步骤中调整一小部分超参数。该框架在ASHRAE Great Energy Predictor III数据集的子集上进行评估，该子集涵盖20栋Panther站点建筑以及从短期到中期的四个预测时域。在这些时域上，最终的混合模型在主要绝对误差指标上表现良好，并持续改进固定超参数对抗性基线，表明自适应和校准均有助于预测质量。在日前和更长时域上，改进最为明显，该方法与最强的经典基准保持竞争力。通过逐组件消融，研究人员将大部分相对误差（WMAPE, Weighted Mean Absolute Percentage Error）改进归因于与梯度提升基线的验证校准混合，而粒子群超参数自适应在绝对误差上贡献了较小的额外增益；因此，研究人员将自适应步骤视为观察到的增益的细化而非主要来源。较低的预测离散度还意味着在理想化运行规划解释下，与储备相关的承诺能量需求更小；相对于强梯度提升基线，这种增量储备减少是适度的（在预测离散度方面约为5%），而更大的标题性减少是针对最弱基线的。总体而言，结果表明，当对抗性预测与显式自适应、校准和不确定性感知评估相结合时，可为城市建筑能源管理提供实用价值。

**论文解读**

**研究背景与问题**

城市建筑能源需求预测对于优化能源效率、提升城市能源系统可持续性与韧性至关重要。然而，现有方法面临多重挑战。传统统计模型（如ARIMA）假设线性与平稳性，难以捕捉动态城市环境中的复杂非线性关系；机器学习模型（如支持向量机SVM、人工神经网络ANN）虽能处理非线性，但存在计算强度大、过拟合、超参数敏感等问题；深度学习模型（如长短期记忆网络LSTM）虽能有效处理时间依赖性，但需大量计算资源且可解释性差。此外，这些模型大多缺乏对城市环境动态变化（如天气、 occupancy模式、建筑政策变化）的自适应能力，导致预测精度随时间下降。更重要的是，现有模型很少将可持续性目标（如减少CO₂排放和能源成本）显式纳入预测框架，这限制了其在城市能源管理中的战略价值。因此，需要一种自适应、准确且能衔接可持续性规划的预测方法。

**研究内容与意义**

为了解决上述问题，Xiufeng Liu、Ruyu Liu、Chunting Liu 和 Per Sieverts Nielsen 研究人员提出了一种自适应混合预测框架，该框架整合了Wasserstein生成对抗网络（WGAN-GP）、粒子群优化（PSO）和验证校准混合。该框架通过周期性离线重校准实现自适应，而非实时在线更新，从而在保持计算可行性的同时提高预测精度。研究在ASHRAE Great Energy Predictor III数据集的Panther站点20栋建筑子集上进行了评估，覆盖1小时、24小时、168小时和672小时四个预测时域。结果表明，该混合框架在平均绝对误差（MAE）和均方根误差（RMSE）上优于所有基准模型，并在加权平均绝对百分比误差（WMAPE）上相对于强梯度提升基线（GBM）在24小时及更长时域上有所改进。该研究的重要性在于，它将自适应对抗性预测与可持续性储备规划联系起来，通过降低预测离散度减少承诺能量、CO₂和成本，为城市能源管理的可持续性提供了可操作的上限估计。论文发表在《Sustainable Cities and Society》。

**主要技术方法**

研究人员采用的关键技术方法包括：1）Wasserstein生成对抗网络（WGAN-GP）作为核心预测器，通过生成器-评论家对抗训练捕捉非线性负荷模式；2）粒子群优化（PSO）用于周期性调整八个训练超参数（如学习率、梯度惩罚系数等），实现自适应重校准；3）验证校准混合，通过验证集选择系数α和偏置b，将WGAN-GP预测与梯度提升基线（GBM）预测进行线性组合，以提高点预测稳定性；4）多目标适应度函数，结合预测误差、基于储备的可持续性代理（CO₂和成本）和偏差惩罚，引导PSO搜索。样本队列来源为ASHRAE Great Energy Predictor III数据集的Panther站点，经筛选后保留20栋建筑（15栋教育建筑、5栋娱乐/公共集会建筑）。

**研究结果**

**6.2.1 预测精度**

通过对比ARIMA、LSTM、SVR、GBM四个基准，GAN-PSO混合模型在所有四个时域上取得最低MAE和RMSE。在24小时时域，MAE从GBM的9.03 kWh降至7.92 kWh，RMSE从13.32 kWh降至12.16 kWh；在168小时和672小时时域，WMAPE分别从24.37%降至22.04%和从27.02%降至24.52%。在1小时时域，模型在MAE和RMSE上最优，但WMAPE劣于GBM（13.06% vs 9.81%），表明短时域改进主要来自绝对误差。

**6.2.2 消融研究与可持续性影响**

消融研究比较了固定超参数WGAN-GP、WGAN-GP+GBM混合（无PSO）、以及完整GAN-PSO三个配置。结果显示，验证校准混合贡献了大部分WMAPE改进（从22.63%降至16.18%），而PSO贡献了较小的MAE额外降低（从8.10 kWh降至7.92 kWh）和改善中位数R²（从0.696升至0.714）。可持续性分析基于固定储备规则D_t=?_t+kσ_e（k=1.5），最终混合模型相对于最弱基线ARIMA实现30.1%的承诺能量、CO₂和成本减少；但相对于强基线GBM，增量减少仅为约10.5%（承诺能量）和5.0%（预测离散度σ_e），且PSO未带来额外可持续性增益。

**6.2.3 实施实用性与指标解释**

研究指出，PSO搜索在8个粒子、8次迭代、3栋代表性建筑、24小时时域上完成约447秒，适用于每日或每周的离线重校准。R²指标受一栋近恒定负荷建筑（Panther_office_Christin）的极端负值影响，导致聚合R²不可靠，因此主要依赖MAE、RMSE、WMAPE和中位数R²进行评估。LSTM在此直接时域设置中表现不佳，且R²极端负值为离群建筑所致。

**6.2.4 自适应动态、误差离散度与部署解释**

优化轨迹显示，PSO在早期迭代中迅速改善，随后稳定，表明其为有界重校准。误差离散度σ_e从ARIMA的34.1 kWh降至最终混合的16.3 kWh，表明混合模型确实降低了预测不确定性，而非仅通过向下偏置实现。该框架设计保守，GBM基线始终作为锚点，自适应组件仅在验证证据改善时贡献。

**6.3 讨论**

综合结果支持有限结论：GAN-PSO混合在绝对误差指标上表现最佳，但在所有指标上并非统一最优。消融表明，主要改进来自验证校准混合而非PSO，因此系统应被视为自适应混合预测器而非纯生成模型。该框架与近期文献中的自适应集成（Tian et al.）、基于GAN的负荷预测（Yu et al.）以及多目标城市能源研究（Jodeiri-Seyedian et al., Wang et al.）一致。局限性包括：可持续性数字为上限估计、结果仅基于20栋建筑子集、短时域相对误差待改进、R²弱、最终配置中GBM仍起核心作用。未来方向包括改进对抗性损失函数、使用上下文相关门控混合、连接下游运营优化模型。

**结论翻译**

本文介绍并评估了一种用于城市建筑电力需求的自适应GAN-PSO预测框架。最终系统结合了热启动WGAN-GP预测器、基于PSO的超参数自适应以及与梯度提升基线的验证校准混合。在Panther站点20栋建筑子集上，最终混合模型在1小时、24小时、168小时和672小时时域上取得了最低的MAE和RMSE，并在24小时、168小时和672小时时域上相对于GBM改进了WMAPE。24小时消融研究进一步表明，验证校准混合贡献了相对于固定超参数WGAN-GP基线的大部分相对误差改进，而PSO重校准在绝对误差上提供了较小的额外增益。在理想化储备采购模型下，最终混合的较低预测离散度相对于ARIMA产生了30.1%的承诺能量、CO₂和成本减少的上限；然而，相对于强GBM基线，增量减少更为适度，承诺能量约为10.5%，预测离散度约为5.0%。总体而言，该贡献最好被理解为一种自适应混合预测框架，它将对抗性建模、自动超参数自适应和基于验证的校准整合到一个连贯的流程中。