Artificial Lemming Algorithm-Optimized CrossKAN for Multi-Energy Load Forecasting
本文介绍了一种名为 CrossKAN 的轻量级多能负荷预测模型，该模型集成了由人工旅鼠算法优化的 Kolmogorov–Arnold 网络头部以及三重相关性特征选择技术，在显著提高预测准确性的同时保持了计算效率。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
将城市想象成一个呼吸着能量并呼出废热的生命有机体。为了保持这个有机体的健康与高效，工程师们必须精确预测它在任何时刻对电力、供暖和制冷的具体需求。这并非简单的猜测游戏；需求会随着天气、时间以及人们使用建筑方式的变化而波动。这些需求是杂乱无章且变化复杂的，难以用标准的数学方法进行捕捉。如果预测出错，结果可能导致能源浪费、温度不适或电网压力过大。挑战在于寻找一种既足够聪明以理解这些复杂模式，又足够简单以便能在计算机上快速运行，从而实现实时决策的方法。
长期以来，研究人员一直试图通过构建从历史数据中学习的模型来解决这一问题。有些模型非常简单且快速，但会错过现实世界需求中复杂的转折与起伏。另一些模型虽然功能极其强大，但过于沉重且缓慢，以至于在日常使用中并不切实际。一种较新的方法涉及一种能够寻找不同变量之间联系的人工智能，例如气温下降如何同时引发取暖需求激增并改变用电量。然而，即使是这些先进的模型，也往往难以捕捉需求的突然剧烈变化，比如建筑从制冷切换到供暖的瞬间，或是热浪如何将能源使用推向临界点。
在最近的一项研究中，一个研究小组提出了一种解决该问题的新方法，他们将三种不同的理念整合进一个单一且精简的系统中。他们首先从仔细筛选输入模型的信息开始。他们并没有将所有可用的数据点都丢给计算机，而是使用了一个由三部分组成的过滤器来对输入进行排序。这个过滤器考察了变量与能源使用之间的关联强度、该变量在多大程度上能帮助计算机模型做出准确预测，以及这种关系是否随时间保持稳定。通过仅保留最可靠的信号，他们确保了模型不会被噪声干扰。
在选定正确的数据后，团队将其输入到一个名为 CrossKAN 的新型预测引擎中。该引擎建立在一个轻量级的架构之上，擅长识别跨越时间和不同能源类型之间的模式。将其想象成一个高效的扫描仪，它能够读取能源使用的历史记录，并理解不同因素如何相互影响。其创新之处在于处理过程的最末端。旧的模型仅仅是画出一条直线来预测未来，而这个新系统则在终点处使用了一个灵活的、曲线化的映射工具。这使得模型能够通过弯曲和扭转其预测结果，以适应需求的突然激增或骤降，从而在不变得过于沉重的前提下，捕捉建筑实际行为中的非线性现实。
为了确保这个新引擎得到了完美的调优，研究人员使用了一种受旅鼠（一种以长距离迁徙闻名的小型啮齿动物）行为启发的搜索方法。这种搜索算法充当了引导者，探索了模型的数千种内部参数设置，例如其内部层级的宽度以及学习速度。它测试了这些设置，以找到能产生最准确预测的具体组合。研究人员在搜索过程中并未改变模型的核心结构，只是让算法找到针对当前任务的最佳配置方式。
当团队在亚利桑那州一所大学校园的真实世界数据上测试这一新系统时，结果显而易见。该模型在预测电力、供暖和制冷负荷方面表现优于现有的最强方法。与之前的最佳模型相比，它将预测的平均误差降低了约 13% 到 17%。即使研究人员在来自北美和欧洲建筑的完全不同的数据集上进行测试时，这一改进依然成立。虽然由于建筑性质的不同以及频繁出现的零需求阶段，该系统在第二组数据集上的误差略高，但它仍然是目前最准确的选择。
这项研究表明，提升预测能力的秘诀或许并不总是构建一台更大、更复杂的机器。相反，将处理复杂非线性变化的能力集中在预测过程的最后一步，可以让系统的其余部分保持快速且高效。研究人员发现，这种方法适用于短期规划，有助于更有效地管理能源资源。然而，他们也指出，其研究结果特定于所测试的数据，且该系统尚未被证明能在完全陌生的地区或极端、不可预测的条件下发挥作用。这项工作提供了一条充满前景的路径，表明一种更轻量、更智能的设计，比那些更沉重、更僵化的替代方案，能更有效地捕捉能源需求的复杂现实。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。