《Applied Sciences》：Intelligent Forecasting of Smart Home Energy Consumption and Generation Based on Weather Variables
编辑推荐：
摘要翻译：人工智能（AI）的日益普及旨在提升全球生活水平，但这一趋势伴随着能源需求的不断增长。AI正快速融入家庭能源管理系统（HEMS）。尽管已开发出众多用于能耗预测的人工神经网络（ANN）模型，但这些模型在开发和部署过程中往往需要大量的计算资源和专业知识。本
摘要翻译：人工智能（AI）的日益普及旨在提升全球生活水平，但这一趋势伴随着能源需求的不断增长。AI正快速融入家庭能源管理系统（HEMS）。尽管已开发出众多用于能耗预测的人工神经网络（ANN）模型，但这些模型在开发和部署过程中往往需要大量的计算资源和专业知识。本研究提出了一种用户友好的工程方法论，用于设计准确的多层感知器（MLP）和级联前馈网络（CFN）模型，以预测智能家居的能耗和太阳能发电量。该方法强调计算简单性和广泛的实践可行性。研究使用的数据集包含一年内每小时记录的8399个天气和能源变量，提取自公开可用的数据资源，并按70%训练、15%验证和15%测试的比例随机划分。所提出的方法论指导了多种CFN-MLP模型的设计、训练、验证和测试，其中基于不同相关性检验选择对能源发电和消耗影响最大的天气变量作为模型输入。确定的最优模型均以两个天气变量为输入，并包含两个隐藏层（分别含8个和16个神经元），在较高预测精度与较低计算负载之间取得平衡，适用于实时HEMS部署。较小的均方误差（0.76 kWh和0.0046 kWh）验证了模型的高预测精度。模型的可行性得益于其简单的架构，仅需两个智能传感器提供输入，大多数家庭能够负担，且模型所需存储空间极小。
论文解读文章
研究背景与问题
随着人工智能（AI）技术的快速发展，智能家居作为AI的重要应用领域，正日益普及。然而，AI的广泛应用也伴随着能源消耗的急剧增加。智能家居能耗约占家庭总能耗的40%，对能源预测和优化提出了迫切需求。准确预测家庭能源消耗和太阳能发电量，对于实现能源管理、优化设备调度、降低成本和减少环境影响具有重要意义。目前，虽然已有大量基于人工神经网络（ANN）的能源预测模型被提出，但许多模型架构复杂、参数繁多，需要较高的编程技能和计算资源，难以被普通工程人员掌握和实际部署。现有研究多侧重于各种模型的性能比较，而非开发计算简单、精度可靠且适合智能家居实时部署的预测模型。因此，需要一种易用、计算资源需求低的工程方法论，用于设计简单而准确的神经网络预测模型。
研究内容与结论
针对上述问题，研究人员提出了一种用户友好的工程方法论，基于Matlab软件和公开数据集，设计并验证了用于预测智能家居能耗（“use”）和太阳能发电量（“gen”）的级联前馈网络-多层感知器（CFN-MLP）模型。数据集包含从公开在线存储库提取的13户位于北纬41°至44°不同气候区、配备智能家电和太阳能发电机的家庭的一年小时级数据，共8399条观测记录，涉及能耗、发电量及气温、湿度、风速、云量等天气变量。研究人员将数据转换为时间序列，并采用平方根等变换预处理目标变量，通过最小-最大归一化将数据缩放到[0,1]区间。通过Pearson相关、Spearman秩相关和逐步回归等多种相关性分析方法，筛选出对能耗和发电量影响最显著的天气变量作为模型输入。模型采用CFN架构，包含两个隐藏层，分别含8个和16个神经元，使用logsig、tansig或poslin激活函数，输出层采用purelin线性激活函数，以MSE为代价函数，采用Levenberg-Marquardt算法训练。每个模型重复训练20次以消除随机初始参数的影响，并取最小MSE对应的模型作为最优模型。研究结果表明，最优能耗预测模型以“gen”和“temp”为输入，最优发电量预测模型以“temp”和“wind”为输入，两者均具有227个可调参数，MSE分别为0.76 kWh和0.0046 kWh，相关系数R分别为0.6以上和0.903。这些模型架构简单，仅需两个智能传感器输入，存储需求小，适合实时家庭能源管理系统（HEMS）部署。该研究的主要贡献在于提供了一套完整、易于实施的模型设计指南，使具有基础编程能力的工程人员也能开发出高精度、低复杂度的预测模型，有助于推动智能家居能源管理的普及和能源效率的提升。
关键技术方法
研究人员主要采用了以下关键技术方法：从公开在线存储库[17,18]提取包含8399条小时级记录的天气和能源数据集，该数据集来自13户位于不同气候区的家庭；使用Pearson相关、Spearman秩相关和逐步回归进行特征选择，确定对能耗和发电量影响最显著的输入变量；采用平方根变换和最小-最大归一化进行数据预处理；设计CFN-MLP架构，并采用Levenberg-Marquardt算法进行网络训练；通过重复训练20次并比较MSE来选择最优模型；使用MSE和相关系数R评估模型性能。
研究结果
模型输入变量的确定
通过Pearson相关检验发现，湿度（hum）与风速（wind）及云量（cloud）之间存在弱相关（R = -0.45和R = 0.36，p = 0），因此湿度的影响可由风速和云量变量代表。针对目标“use”和“gen”，分别计算其与各候选输入之间的Pearson相关系数R和Spearman秩相关系数Rs，并结合逐步回归结果，确定了显著影响能耗和发电量的输入变量。对于能耗预测模型，显著的输入包括“gen”、“temp”、“wind”和“cloud”；对于发电量预测模型，显著的输入包括“temp”、“wind”和“cloud”。这些相关性检验表明，虽然部分相关系数数值较小（p < 0.05），但统计显著，提示存在非线性关系。
最优CFN-MLP模型的性能
研究人员训练并测试了多种不同结构（隐藏层数、神经元数量、激活函数）的CFN-MLP模型。根据模型简单性（输入个数、隐藏层数、参数数量）和精度（MSE、R）的评估标准，确定了两个最优模型：
- 能耗预测模型 use(gen, temp, [8, 16], 227)：以太阳能发电量（gen）和气温（temp）为输入，两个隐藏层分别含8个和16个神经元，共227个调整参数，MSE为0.76 kWh，R值超过0.6。该模型在满足简单性标准的前提下，取得了第二小的MSE和较高的R，因此被认为是最优的能耗预测模型。
- 发电量预测模型 gen(temp, wind, [16, 8], 227)：以气温（temp）和风速（wind）为输入，两个隐藏层分别含16个和8个神经元，共227个调整参数，MSE为0.0046 kWh，R值达到0.903。该模型在发电量预测中具有最高的R和第三小的MSE，同样满足简单性标准。
模型泛化能力验证
图4展示了两个最优模型对能耗和发电量的实际目标值与预测值的对比，表明预测曲线与目标曲线总体吻合良好。图5给出了训练、验证和测试阶段的MSE随训练周期的变化曲线，训练与验证曲线彼此接近，说明模型具有良好的泛化能力，未出现明显的过拟合现象。图6评估了目标与模型输出之间的线性相关系数R，显示预测结果与真实值之间存在可接受的线性相关性。
讨论与结论
讨论部分指出，所提出的CFN-MLP模型在保持简单架构的同时，实现了较高的预测精度。与现有复杂的深度学习模型（如LSTM、CNN-LSTM等）相比，该方法所需的计算资源和专业知识显著降低，仅需两个天气变量作为输入，且模型参数量少（227个），存储和计算开销小，非常适合资源受限的智能家居实时部署场景。研究结论部分总结如下：本研究提出了一种基于Matlab软件的工程方法论，用于开发计算简单且准确的CFN-MLP模型，预测智能家居的能耗和太阳能发电量；根据该方法，研究人员开发了多个基于不同相关性分析筛选的天气变量的简单CFN-MLP模型；通过简单性（输入数、层数、参数个数）和精度（MSE、R）标准评估，所选的模型具有良好的实时部署潜力，所需内存和执行时间小；未来研究将探索基于快速傅里叶变换、季节性径向基网络或广义回归神经网络（GRNN）的更为简单的预测模型，并考虑与线性模型的对比以及滞后变量对预测精度的影响。
