大学校园短期用电预测：一种混合SWT–Frequency Attention–TCN方法

《Applied Sciences》：Short-Term Electricity Consumption Forecasting for a University Campus: A Hybrid SWT–Frequency Attention–TCN Approach

　　

研究人员提出了一种基于平稳小波变换、频率注意力机制和时间卷积网络架构的混合深度学习模型，用于大学校园规模的短期用电预测。该研究利用了2024年3月1日至2025年4月30日期间以15分钟为间隔从Afyon Kocatepe大学中心校园收集的共40,896个观测数据。通过特征消融分析确定了候选输入变量的贡献。结果表明，加入气象变量并未对预测精度提供任何额外改善。因此，最终的紧凑模型仅使用历史用电量连同在预测起点已知的小时和星期几日历变量。在所提出的模型中，首先使用SWT将历史用电序列分解为不同的频率分量，并通过频率注意力机制自适应地对信息量更大的频率尺度进行加权。随后，得到的多尺度表示由TCN架构处理，以建模时间依赖性并直接预测提前一小时的用电量。模型性能在滚动和锚定步进验证策略下使用平均绝对误差(MAE)、均方误差(MSE)、均方根误差(RMSE)、平均绝对百分比误差(MAPE)、对称平均绝对百分比误差(SMAPE)和决定系数(R²)指标进行了评估。所提出的SWT + Frequency Attention + TCN模型在所有评估模型中取得了最佳的整体性能，在滚动步进策略下RMSE为10.614且R²为0.942，在锚定步进策略下RMSE为10.286且R²为0.946。研究结果表明，基于SWT的多尺度表示、选择性频率加权和基于TCN的时间依赖性建模的整合，为短期校园用电预测提供了一个有效且稳健的框架。

大学校园作为包含教育建筑、实验室等复杂设施的主要电力消耗者，其用电模式受学术日历、人员占用水平、运行时刻表等影响呈现高度动态特征。传统的统计预测模型如自回归积分滑动平均模型(ARIMA)依赖平稳性和线性假设，难以捕捉复杂的非线性时变用电模式；尽管机器学习模型如人工神经网络(ANN)、支持向量机(SVM)和深度学习模型如长短期记忆网络(LSTM)、门控循环单元(GRU)在处理非线性关系和长程依赖方面有所改进，但在应对突变负荷和复杂多变量动态时仍存在不足。因此，为了提高短期用电预测的准确性和可靠性，研究人员提出了一种混合多尺度深度学习框架，并发表于《Applied Sciences》。该研究对于校园能源管理、负荷规划、需求侧管理以及降低能源成本具有重要的现实意义。

在技术方法上，研究队列数据来源于Afyon Kocatepe University中心校园在2024年3月1日至2025年4月30日期间以15分钟为间隔收集的40,896个观测值。在数据预处理阶段，采用线性插值法填补缺失数据，并通过Z-score标准化处理特征。利用96步滑动窗口生成序列，即使用过去24小时的观测数据来预测未来1小时的用电量。研究人员主要采用了三种关键技术：首先，使用平稳小波变换(SWT，一种不进行下采样以保持各子带长度与原始信号相同的信号分解方法)将历史用电序列分解为不同的频率分量；其次，引入频率注意力机制自适应地对信息量更大的频率尺度进行加权，以突出有意义的特征；最后，利用时间卷积网络(TCN，一种基于因果和膨胀卷积的序列建模架构)处理多尺度表示并预测提前一小时的用电量。此外，研究还采用了滚动和锚定步进验证策略以防止数据泄露并模拟真实预测场景，并结合特征消融分析确定输入变量。

预测结果
通过特征消融分析发现，加入气象变量并未提升预测精度，因此最终紧凑模型仅使用历史用电量连同在预测起点已知的小时和星期几日历变量。在滚动和锚定步进验证策略下，所提出的SWT + Frequency Attention + TCN模型表现最优。在滚动策略下，均方根误差(RMSE)为10.614，决定系数(R²)为0.942；在锚定策略下，RMSE为10.286，R²为0.946。消融分析表明，与原始TCN相比，SWT和Frequency Attention均独立且互补地降低了预测误差。通过Diebold-Mariano类型检验证实，相较于原始TCN，该模型的预测误差差异在统计上具有显著性。与基准模型如极限梯度提升(XGBoost)、Informer等相比，该模型在所有评估指标上均取得最低平均误差和最高平均R²值。计算成本评估显示模型仅有40,637个可训练参数，单样本推理时间约0.020至0.022毫秒。在峰荷和高波动期间，模型误差虽有增加，但仍优于原始TCN等对比模型。残差诊断表明模型在每日09:00左右存在轻微低估倾向。保形预测区间分析显示经验覆盖率接近95%的名义水平。

讨论与结论
研究结论表明，SWT分解能够分离低频趋势和高频突变，频率注意力机制则能自适应地强调对预测更重要的频率尺度，而TCN的因果卷积防止了未来信息泄露，膨胀卷积使其能够学习短长期依赖。这三种组件的互补作用有效提升了预测性能。特征消融结果证明，对于一小时的直接预测任务，近期历史用电与日历模式已包含充足的预测信息，无需额外气象数据。模型在滚动和锚定两种验证策略下均保持稳健。然而，研究也存在局限性：依赖单一校园数据可能限制泛化性；未纳入直接的人员占用测量和详细学术日历变量；且模型对高峰负荷幅度存在系统性低估倾向，在峰值警告等应用中需谨慎。未来研究应纳入明确的占用数据和学术日历，探索跨站点迁移学习策略，并评估更长预测视野和多步预测的表现。