面向教育设施电力负荷预测的泄漏感知顺序混合框架（LASH）：基于验证门控残差路由与因果时序卷积网络的多步直接预报方法

《Electronics》：Hardware Accelerator Enhanced Multi-Label Classification of Cardiovascular Disorders Through Hybrid Shallow Neural Network

　　

能源管理在教育设施中需要可靠的日前电力需求轨迹，这些轨迹能够在每次新的小时测量后重新生成，而不使用预报起点无法获得的信息。本研究提出LASH（Leakage-Aware Sequential Hybrid），一种泄漏感知顺序混合框架，采用验证门控残差路由用于每小时滚动直接1-24小时预报。LASH结合了一个无年同比锚点、一个多输出Ridge残差专家、一个因果时序卷积专家，以及一个基于净化验证数据校准的有界水平路由器。所有基准方法仅使用历史天气代理变量，并排除未来需求和观测到的目标期天气。在共同的时序划分下评估了四个数据集和十六种直接预报方法，随机模型在十次固定设置重拟合中进行评估。LASH在两个大学集群再分析中均取得了最佳数值整体性能，而在两个BDG外部源检验中，路由器退化为Ridge。依赖感知推断支持LASH在两个大学集群中相对于Ridge的改进，其中集群1的相对增益更大。简化架构分析表明，首选的非线性复杂度程度取决于数据集。在一个通用的约束存储调度模型下，LASH也产生了具有竞争力的调度性能。总体而言，LASH将泄漏感知滚动多水平预报与验证控制的非线性容量及显式回退机制结合在一起。

一、研究背景与现存问题

教育设施的能源管理依赖于可靠的日前电力需求预报，以便优化暖通空调（HVAC）调度、储能规划、需求响应及购电策略。然而，教育建筑用电模式复杂，受课程安排、考试、假期、昼夜占用率等多重因素影响，不同功能建筑（如教学楼、实验室、宿舍）呈现显著差异化的时序特征。现有研究虽已从统计方法发展到机器学习和深度学习，但仍面临若干关键挑战：首先，多数预报框架未能严格遵循因果关系信息边界，即在模型开发或评估中可能无意引入预报起点之后才能获得的数据（如目标时段实际天气），导致泄漏问题；其次，多步预报通常仅关注最终单一水平而非完整1-24小时轨迹的滚动更新与评估，不符合实际运营中每小时刷新预报的需求；第三，混合架构常默认增加非线性复杂度有益，却缺乏验证驱动的机制来决定何时应拒绝不必要的复杂性，从而可能引入过拟合或不稳定。此外，已有研究多在同一数据集上进行独立验证，缺乏跨数据集、跨运行体制的系统性证据来区分局部最优与可泛化结构。因此，亟需一种同时满足严格因果信息边界、验证控制非线性容量、且支持每小时滚动全轨迹预报的框架。

二、研究内容与结论

针对上述问题，研究人员提出了泄漏感知顺序混合框架（LASH），旨在通过验证门控残差路由实现复杂度可控的滚动多步直接预报。LASH的核心设计包括：一个基于每日、每周及同运行体制历史均值构建的无年同比确定性锚点；一个提供稳定低方差修正的多输出Ridge残差专家；一个包含门控残差块（GRB）作为解码器的紧凑型因果时序卷积网络（TCN）顺序专家，用于捕获非线性残差结构；以及一个仅基于净化验证数据校准的有界水平路由器，该路由器可将非线性贡献权重降至零，从而在验证证据不足时完全回退至线性专家。研究在四个数据集上进行了评估：两个来自首尔大学校园的长期聚类序列（集群1：教育设施，2015-2020年；集群2：宿舍，2015-2018年），作为方法论再分析；另两个来自公开的建筑数据基因组项目v1（BDG v1）的外部源检验（BDG_Edu和BDG_Dorm，各8760条记录）。所有方法均采用相同的严格因果信息边界——仅使用历史天气代理变量，排除目标时段实际天气——并在共同时序划分下进行16种直接预报方法的基准比较。超参数优化（HPO）采用数据集本地化协议，通过独立搜索种子、完整验证确认及固定设置随机重拟合，杜绝测试集对模型选择的影响。最终，LASH在两个大学集群中保留了混合路径（顺序专家权重分别为0.3099和0.0885），而在两个BDG检验中路由器选择了Ridge-only路径，表明非线性复杂度并非普遍必要。依赖感知推断（考虑时序依赖性与训练种子变异性）显示，LASH在集群1中相对于Ridge实现了2.424%的归一化平均绝对误差（NMAE）改善（经多重性校正后p=0.0024），达到预设的实际意义阈值；在集群2中改善为0.585%（同样p=0.0024），但未超过实际意义阈值。匹配机制测试表明，移除特征门控或用均值池化替代学习池化反而改善了某些数据集的性能，而年同比信息的引入（如年度缩放、组合年配置）在大多数情况下造成性能下降，仅假日匹配年度代理产生微小改善。约束储能调度分析显示，LASH在集群1和集群2中分别实现了略高于LightGBM和Ridge的平均峰值削减（7.423% vs 7.363%；4.973% vs 4.884%），但差异较小且呈数据集依赖性。可解释人工智能（XAI）诊断（包括特征门控、积分梯度、分组排列敏感性和Ridge系数）提供了模型行为的互补视图，但所有归因结果均被明确解释为非因果性的描述性诊断。

三、关键技术方法

1. 1.
   泄漏感知特征构造与锚点：基于严格因果信息边界，仅使用预报起点t之前的历史需求、日历变量及滞后天气代理变量（24小时和168小时滞后），并通过假日条件替换不匹配的滞后值。构建无年同比的季节性锚点A_s，作为两个残差专家的公共参考基线。
2. 2.
   多输出Ridge残差专家：采用L2正则化线性回归，输入包含1350个预测变量（历史需求、快照特征、统计量及未来上下文张量），一次性估计24个残差目标，提供低方差修正。
3. 3.
   因果TCN-GRB顺序专家：保留168×26历史时序结构，经样本特异性软最大门控、线性投影后送入2-3个深度可分离因果卷积块（膨胀率指数增长），再经门控残差块（GRB）解码并行生成24个残差预测。无递归循环或多头注意力。
4. 4.
   验证门控残差路由：在净化验证校准段上，以0.05步长评估顺序专家权重w_h∈[0,1]，仅当混合方案复合分数优于单专家至少0.005个百分点时才保留混合路径。权重可为零，实现非线性容量的验证驱动拒绝。
5. 5.
   依赖感知统计推断：采用层次化圆形块自助法（5000次复制），以168小时周尺度为主对比尺度，结合异方差自相关一致性（HAC）推断，对六组焦点对比应用Holm校正，分离统计支持与实际效应幅度。

四、研究结果

• •
  数据集本地HPO与计算审计：96次随机搜索重复中，416个完成状态试验入选，167个神经试验被剪枝。LASH在两个大学集群保留混合路径，BDG检验均选择Ridge-only。硬件特定LASH重拟合时间1.85-54.75秒/种子，推理延迟0.0507-0.0678毫秒/预报原点，峰值GPU内存129.6-165.6 MB。
• •
  四数据集直接24步基准：LASH在集群1取得最低复合分数5.3708±0.0137（优于LightGBM的5.4149±0.0018），在集群2为5.0464±0.0094（优于Ridge的5.0739）。BDG_Edu中LASH与Ridge相同（2.3776），BDG_Dorm中季节性-24获得最低分4.5827（LASH/Ridge为4.6052）。
• •
  路由器敏感性与时序稳定性：集群1默认顺序权重均值0.3099（范围0.1625-0.3500），集群2为0.0885（0.0500-0.1000）。时序块分析显示非线性修正量在不同运行体制间变化（集群1三个块权重0.2200、0.4130、0.2480；集群2为0.2620、0.0000、0.0000）。
• •
  匹配机制与年度组件测试：移除特征门控改善两集群复合分数（Δ=-0.1866和-0.2140），移除因果TCN轻微恶化（+0.0542和+0.0597）。年度缩放导致最明显恶化（集群1:+0.1816，集群2:+0.1771），假日匹配年度代理产生微小改善（-0.0179和-0.0527）。
• •
  依赖感知、运营与计算结果：LASH相对Ridge的NMAE改善在集群1为2.424%（经Holm校正p=0.0024，达实际意义阈值），集群2为0.585%（p=0.0024，未达阈值）。集群1相对LightGBM的对比未获统计支持（p=0.404）。中等储能场景下LASH峰值削减略优但差异微小。
• •
  可解释性与预报诊断：分组排列敏感性显示锚点通路在所有数据集中扰动增量最大（28.30-11.37个百分点）。积分梯度强调安全168小时需求滞后。Ridge系数显示近期消费和周历汇总项突出。所有诊断被明确为非因果性描述。

五、讨论与结论

讨论部分指出，LASH的成功在于其验证门控机制能够根据数据集特性动态决定是否部署非线性复杂度，从而避免了强制混合带来的潜在风险。研究局限性包括：仅使用历史天气代理而未纳入存档数值天气预报；BDG数据集仅有一年长度，限制了年同比机制的评估；下游调度分析基于离线约束优化而非闭环集成。结论部分重申：LASH作为一种泄漏感知滚动多水平预报协议，通过验证门控残差路由实现了复杂度控制，在两个大学集群再分析中展现出相对于强线性基线（Ridge）的统计支持改进，同时在外部源检验中通过回退至线性专家避免了不必要的复杂性。研究强调了非线性容量应视为验证依赖资源而非固定架构要求，并为教育设施能源管理提供了一种可审计、可复现的预报框架。