Semantic-Aware Cross-Domain Multi-Horizon Energy Forecasting for Renewable-Aware Manufacturing: The NEO-FORECAST Framework

在现代世界中，工厂正开始按照一种不同的时钟运行。几十年来，工业用电像是一条稳定、可预测的河流，从电网流向机器，几乎没有波动。而今天，这条河流正在变成由稳定流量与来自太阳能板和风力涡轮机的、受天气影响的突发性涌流组成的混合体。这种转变给工厂管理者带来了一个复杂的谜题。他们必须决定何时运行重型机械、何时将能量储存在电池中，以及何时从电网购买电力，同时还要努力保持成本低廉且生产稳定。为了做出这些决策，他们需要的预测不仅要准确，还要能够感知其所处环境的具体物理现实。对于晴天太阳能输出的预测，与对工厂机器用电量的预测在本质上是不同的，即便两者都是以千瓦为单位进行测量。将这些不同类型的能源数据视为同一种事物进行处理，会导致混乱并引发错误的决策。

这正是阿德南·海德·扎伊迪（Adan Haider Zaidi）在一项名为 NEO-FORECAST 的新研究中所解决的挑战。该研究聚焦于能源预测中的一个特定问题：如何利用我们对一种类型能源系统的了解来帮助预测另一种系统，而不出错。想象一下，你试图通过先学习骑自行车来学习驾驶卡车。平衡和转向的技能是相关的，但车辆本身差异巨大，因此盲目地将自行车的规则应用于卡车可能会很危险。在能源预测领域，这被称为“负迁移”（negative transfer），即混合来自不同来源的数据实际上会让预测结果变得更差，而不是更好。这项研究提出了一个精确的问题：在什么条件下，在不同能源任务之间共享知识是有益的，而在什么条件下是有害的？研究人员开发了一个框架来测试这一点，确保他们不仅仅是假设数据越多越好，而是先仔细检查数据是否兼容后再进行使用。

NEO-FORECAST 框架的核心是一种尊重每种能源来源独特身份的方法。该系统并没有将所有可用数据——电力需求、太阳能发电、建筑使用情况和工业负荷——全部丢进一个单一的搅拌机中，而是保持了它们的独立性。它意识到，虽然这些系统可能共享某些模式（如每日周期或对天气的反应），但它们的底层目标和物理行为是不同的。研究人员构建了一个系统，将这些模式分为三个层面：可能共享的一般时间规律、特定地点或领域的特征，以及单个实体的独特细节。通过保持这些层面的分离，系统可以决定何时借鉴其他来源的知识，以及何时仅依赖自身的历史记录。这种方法包含了一个“兼容性检查”，该机制充当了守门员的角色。在允许知识从一个任务流向另一个任务之前，系统会计算这两个任务是否足够相似，以至于能够从这种交换中获益。如果它们差异过大，闸门就会关闭，以防止导致负迁移的混乱。

该研究在设计上严谨地关注了避免常见的科学测试陷阱。该领域的一个主要担忧是“数据泄漏”（data leakage），即模型在训练期间意外看到了未来的信息，从而使其看起来比实际更聪明。研究人员实施了严格的控制，以确保用于训练的数据绝不会接触到用于测试的数据，并且测试过程遵循了尊重时间流向的原则。他们将该方法与几种成熟的模型进行了对比，包括长期的统计工具和现代人工智能系统（如神经网络）。结果显示，NEO-FORECAST 方法产生的预测比这些标准方法更准确。在观察平均误差率时，新框架显著降低了预测值与实际值之间的差异。具体而言，平均误差为 5.9，而标准的循环模型为 8.2；误差的离散程度（方差）为 2.6，而标准模型为 3.7。在一次使用归一化数值来比较不同量级的独立测试中，新方法的得分是 0.089，击败了 Transformer 模型（0.112）和基于树的模型（0.145）。

然而，研究人员谨慎地表示，这并不是一个在任何情况下都能完美运作的通用解决方案。研究明确反对“仅仅将所有数据汇集在一起就是最佳策略”的观点。他们提出，知识共享带来的收益在很大程度上取决于所预测的时间跨度，并且该框架旨在通过特定的实验而非假设来评估这种关系。对未来一小时的预测可能受益于一套不同的共享规则，而对未来一周的预测则可能不同，但该研究将其定义为一个需要针对仅目标训练（target-only training）和其他对照组进行验证的假设。此外，研究强调，一个好的预测不仅仅在于接近实际数值，更在于该数值如何帮助工厂做出决策。研究引入了一个“决策接口”，将预测与现实世界的行动（如开启或关闭机器）联系起来。这使得研究人员不仅可以衡量预测的准确性，还可以衡量其所赋能的决策价值。他们提出了一个测试方案，以观察在特定工厂约束条件下，一个稍欠准确的预测是否能带来更好的运营决策，但同时也指出，这需要可重复的证据来确认这种偏差何时发生。

这项工作的最终目标是创造一条从原始数据到工程决策的可重复路径。作者承认，虽然汇总数据看起来前景广阔，但真正的考验在于特定数据集和特定制造场景的细节。他们制定了一个清晰的未来验证计划，要求任何关于优越性的主张都必须有来自特定实验的证据支持，而不仅仅是基于一般平均值。该研究并不声称已经解决了制造业所有的能源预测问题。相反，它提供了一种严谨的、受证据控制的方法，用于弄清楚何时以及如何通过不同的能源任务来共享知识。通过将一般性与特殊性分离，并在共享前检查兼容性，NEO-FORECAST 框架为构建面向未来的、具备可再生能源感知能力的工厂提供了一种方式。研究结果表明，能源管理的未来不在于构建试图一次性学习一切的更大、更复杂的模型，而在于构建更智能的系统，这些系统清楚地知道自己可以从彼此身上学到什么，以及哪些必须依靠自身学习。