《Frontiers in Environmental Science》：Quantifying the environmental impacts of student behavior uncertainty in campus power system: an electricity load forecasting-driven carbon reduction method
编辑推荐：
精确的电力负荷预测是优化能源分配、协调校园电力供需以及减少校园综合能源系统（Integrated Energy System, IES）碳排放的前提条件。为提升校园负荷预测精度并支持低碳能源调度，本研究提出了一种基于IRDOA-DSR-Transformer的
精确的电力负荷预测是优化能源分配、协调校园电力供需以及减少校园综合能源系统（Integrated Energy System, IES）碳排放的前提条件。为提升校园负荷预测精度并支持低碳能源调度，本研究提出了一种基于IRDOA-DSR-Transformer的校园IES碳减排框架。首先，研究人员利用均匀流形逼近与投影（Uniform Manifold Approximation and Projection, UMAP）对与不确定学生行为相关的输入特征（包括校园电动汽车充电记录、时间特征和环境变量）进行压缩。降维过程在保留环境敏感数据结构的同时过滤冗余噪声，从而提升后续预测与碳减排分析的特征质量。其次，研究人员引入动态稀疏路由门控机制，以自适应地强调关键用电时段（尤其是环境敏感时段，如夜间充电）。该机制增强了模型捕捉多尺度时间依赖性的能力，并缓解了传统Transformer在识别关键负荷模式方面的局限性，减少了因预测误差导致的调度低效和排放增加。最后，研究人员采用改进的继承重组胡狼优化算法（Inheritance Reorganization Dhole Optimization Algorithm, IRDOA）优化模型超参数。实验结果表明，所提方法的最大拟合优度系数（goodness-of-fit coefficient）达到98.41%，相对于基准模型，均方根误差（Root Mean Square Error, RMSE）降低了高达50%。在相同调度逻辑下，该方法使校园碳排放降低约3.9%–7.3%，展示了预测优势与实际的碳减排潜力。
**论文解读文章**
**研究背景与问题**
随着智慧校园建设的发展和分布式可再生能源的逐步接入，校园电力系统的运行模式正经历深刻变革。校园电力系统不仅是主要的能源消耗者，也是重要的碳排放源。精确的校园电力负荷预测能为优化电力调度和合理分配配电资源提供理论依据，同时有效减少低效能源消耗及相关污染物排放，为建立绿色低碳校园提供关键技术支撑。然而，校园电力需求受学生行为固有不确定性的显著影响——例如不规律的电动汽车充电、因课程安排和假期导致的校园出勤波动，以及自发性活动变化——这些因素给负荷曲线带来了显著的时间变异性和随机性。从环境角度看，这些不确定性导致的预测不准会引发供需失配，从而增加备用容量冗余，导致大量能源浪费及相关碳排放。因此，精确建模学生行为不确定性的影响并实现高精度校园电力负荷预测，对于实时供需平衡和推进节能减排目标具有重要的实际意义。
**现有方法局限**
现有负荷预测模型可基于预测机制分为物理模型、传统统计模型、人工智能模型和混合模型四类。物理模型依赖领域专业知识，数据采集和模型开发成本高，且缺乏适应动态行为模式的灵活性，限制了其减少预测引致能源浪费的能力。传统统计模型（如自回归移动平均模型）假设线性关系，难以捕捉校园负荷数据中因课程安排、假期切换等因素嵌入的复杂非线性特征，导致预测性能受限，尤其在峰值期间预测误差会带来最大能源浪费。人工智能模型，尤其是深度学习模型（如长短期记忆网络、门控循环单元），虽能建模非线性特征，但存在梯度消失/爆炸、对输入数据分布依赖性强等局限性。Transformer模型通过自注意力机制克服了循环网络的序列依赖限制，展现了全局特征提取能力，但现有模型（包括深度学习方法）大多基于通用建筑负荷模式设计，未明确考虑校园用户（尤其是学生）独特的行为不确定性，因此难以精确捕捉高环境敏感时段（如夜间电动汽车充电高峰或假期过渡期）的关键负荷波动，留下通过更准确、更行为感知的预测来减少能源浪费和碳排放的未开发潜力。近期针对校园/微电网环境或电动汽车充电场景的研究，虽然采用了先进的深度学习架构，但普遍将行为因素视为外部静态输入或事后聚类，缺乏将学生行为不确定性直接量化并嵌入预测模型，或将其与碳排放结果关联的集成机制。
**研究人员开展的研究**
本研究直接针对这一空白，将学生行为特征整合到预测模型中，并量化相关的碳减排效果。研究人员提出了一种基于IRDOA-DSR-Transformer的校园综合能源系统碳减排方法，专门设计以应对学生行为不确定性带来的挑战，并提升预测精度及由此产生的环境效益。该模型首先对电力负荷时间序列数据进行预处理，以保留多尺度时间特征和内在依赖性。然后，通过引入动态稀疏路由门控机制改进传统Transformer架构，实现自适应选择并聚焦于关键时段特征——尤其是高环境敏感时段（如夜间充电间隔）。接着，利用继承重组胡狼优化算法优化核心参数，增强算法收敛性能和全局搜索能力以避免局部最优。最后，所有模块的协同交互完成校园负荷预测任务。论文发表在《Frontiers in Environmental Science》。
**关键技术方法（不超过250字）**
本研究主要采用以下关键技术方法：1）基于UMAP的特征降维技术，用于压缩高维学生行为数据（包括电动汽车充电记录、时间特征、校园日程等），保留与环境敏感负荷模式相关的关键结构并去除冗余噪声；2）基于动态稀疏路由门控机制的DSR-Transformer预测模型，通过自适应选择并聚焦关键时间特征（尤其是学生行为驱动的特征，如夜间充电高峰），增强对多尺度时间依赖性的捕捉能力；3）改进的继承重组胡狼优化算法（IRDOA），通过经验继承策略和动态种群重组策略提升算法收敛速度与全局搜索稳定性，用于优化DSR-Transformer的超参数。数据来源于SDSC Dataverse中的UCSD基准数据集，覆盖1年时间，提取7月典型高负荷教学周的10天连续时间切片（前9天训练，第10天测试），采样频率为15分钟。
**研究结果**
**Case 1: verification of power load forecasting（案例1：电力负荷预测验证）**
通过对比实验，将IRDOA-DSR-Transformer与DOA-DSR-Transformer、GWO-DSR-Transformer、RIME-DSR-Transformer进行对比。结果表明，IRDOA-DSR-Transformer在0:00时预测值与实际值相差仅2.71 kW，最大误差点（5:15）误差仅为1.55%。其R2值达到98.25%，比对比算法提升1.11%–2.99%；MSE平均降低约50%；RMSE降低31.15%–36.84%；MAPE降低36.84%。散点图显示IRDOA算法拟合线更接近实际数据线。雷达图显示IRDOA的各指标均趋近于1。通过将24小时划分为96个15分钟间隔的可视化，发现IRDOA-DSR-Transformer在凌晨2:00时预测误差最小（12.871 kW），远低于对比算法。误差柱状图表明其平均绝对误差和平均偏差在绝对值上最小。标准偏差为±1.2，稳定性优于其他算法。
**Case 2: verification of carbon reduction effect（案例2：碳减排效果验证）**
**Experiment 1**：在固定IRDOA优化算法条件下，对比DSR-Transformer与Transformer、BiGRU、PatchTST、TimesNet、LSTM等模型。IRDOA-DSR-Transformer在最大误差点（实际负荷约1,472.6 kW）预测约1,482.4 kW，误差0.6%。其模拟碳排放为9,060 kg，比IRDOA-Transformer和IRDOA-BiGRU分别低3.9%和7.3%。维恩图显示其预测值与原始数据共享10个相同值，多于其他模型。散点图表明其散点更接近1:1参考线，且点密集、异常值少。评估指标对比显示，IRDOA-DSR-Transformer的R2最高（98.41%），MSE为16，RMSE为33，MAPE为21%。尽管MAPE高于IRDOA-Autoformer（14%），但综合多指标表现最平衡，且碳减排比率波动仅±0.95%。
**Experiment 2（消融实验）**：逐步移除IRDOA优化、DSR模型改进和数据预处理模块，对比预测性能。完整IRDOA-DSR-Transformer的R2为0.9899，RMSE为17.0893，MAPE为1.0145%。移除IRDOA后，RMSE和MAPE分别增加约51.93%和51.79%；进一步移除模型改进或数据预处理后，预测精度进一步下降。与基线模型相比，仅引入数据预处理（UMAP）使MSE降低35.20%；加入DSR门控使MSE降低77.11%；完整框架使MSE降低95.27%，R2提升21.63%。
**Case 3: application and dispatch in real-world scenarios（案例3：实际场景应用与调度）**
将所提方法应用于原始校园场景和另一个日间教学型校园场景（低住宅比例、弱EV充电需求）。在场景1中，IRDOA-DSR-Transformer的碳排放为9,060 kg，比实际调度结果低792 kg（约8.04%），比IRDOA-Transformer和IRDOA-BiGRU分别低360 kg和670 kg。在场景2中，碳排放为6,591 kg，比实际结果低545 kg，比IRDOA-Transformer低194 kg。进一步应用于北方某工业区综合能源系统（IES），IRDOA-DSR-Transformer的碳排放为10,259 kg，比实际结果低1,493 kg（约12.70%），且IES成本从23,155 $降至21,178 $，同时提高能源管理者（EM）收入和能源供应商（EP）收入。
**总结讨论与结论**
**讨论部分总结**：本研究直接解决学生行为不确定性在校园负荷预测中被忽视的问题，通过将学生行为特征整合到预测模型并量化碳减排效果。UMAP降维有效保留了高影响负荷时段的关键结构，增强了输入特征的判别力。IRDOA算法通过经验继承和动态重组机制，在多样化优化基准和负荷预测任务中均表现出色，将预测精度提升直接转化为能源浪费减少和环境效益改善。DSR-Transformer通过动态稀疏路由门控实现自适应聚焦关键时间特征，严格将关键时段（0:00–6:00）的预测误差控制在1.55%以内。消融实验验证了每个组件对预测精度的单独贡献。实际场景应用表明，更精确的负荷预测可减少预测与实际电力需求之间的失配，使调度策略更好地协调电网购电、光伏消纳和储能运行，从而减少不必要的高碳电力消耗和低效调度，在两种校园场景和工业IES场景中均实现碳减排和经济效益提升。
**结论部分翻译**：本文通过提出一种结合UMAP特征降维、改进继承重组胡狼优化算法和基于动态稀疏路由门控的Transformer的集成预测框架，解决了校园电力负荷预测的挑战。通过有效压缩高维特征、增强优化性能以及在预测模型中引入结构创新，该方法显著提高了负荷预测精度，从而通过减少能源浪费和相关碳排放产生实质性环境效益。本研究的主要贡献总结如下：采用UMAP对多维特征进行降维，包括电动汽车充电行为、时间特征和环境因素，将原始高维特征空间压缩至2–3维，保留了电力负荷的关键结构信息，特别是环境敏感模式（如充电高峰时段和假期过渡期），同时有效去除冗余和噪声，增强了输入特征的判别力，有助于减少关键时间间隔内的能源浪费。与DOA-DSR-Transformer、GWO-DSR-Transformer和RIME-DSR-Transformer相比，所提IRDOA-DSR-Transformer的R2提升1.11%–2.99%，MSE平均降低约50%，RMSE降低31.15%–36.84%，MAPE降低36.84%，收敛速度加快约28%，五次独立运行的标准偏差仅为±1.2，显示出优于基准算法的稳定性。通过引入经验继承策略和动态种群重组机制，该算法在全局探索与局部开发之间建立了增强的平衡，从而在多样化优化基准和负荷预测任务中均表现出色。在96时段负荷预测任务中，DSR-Transformer模型将MAE降低22.7%，RMSE从61降至42，MSE从46降至25，R2提升至98.25%，比基线Transformer架构提高3.57个百分点；关键时段（0:00–6:00）的预测误差严格控制在1.55%以内。本研究创新主要体现在三个方面：（1）提出了一种考虑学生行为不确定性的基于IRDOA-DSR-Transformer的校园IES碳减排方法；（2）引入稀疏路由门控以实现对关键负荷时段的自适应聚焦，其中预测精度直接影响能源浪费；（3）开发了IRDOA算法，有效提升超参数搜索的效率和质量，确保在多样化行为场景下的可靠预测性能。然而，应承认若干局限性：深度模型参数众多且校园数据集规模有限，即使使用dropout和早停法仍存在过拟合风险；单校园案例研究限制了结果的泛化性；实证验证依赖于夏季月份提取的较短10天周期，可能限制外部有效性并引入潜在采样偏差；对行为不确定性的建模依赖特征嵌入和降维，而非显式捕捉因果关系或自适应变化。未来工作将聚焦于扩展多季节数据集、多校园验证、与真实调度控制的集成以及行为不确定性的更深度表示。
