ST3-KAN2.0：一种用于综合能源系统中多能源负荷预测的全面神经网络框架

《Expert Systems with Applications》：ST3-KAN2.0: A Holistic Neural Network Framework for Multi-Energy Load Forecasting in Integrated Energy Systems

　　

刘向飞|王春|郭元军|徐松|万涛|杨志乐|李康

澳门城市大学数据科学研究所，中国澳门，999078

摘要

在综合能源系统（IES）中，多能源负荷预测是确保能源供应稳定和经济活动可靠运行的关键组成部分。IES的能源负荷与气象变量之间存在时空耦合、随机波动和不规则的周期性趋势，这对开发准确稳定的预测模型带来了重大挑战。为此，本文提出了一种结合时空特征和趋势信息的Kolmogorov-Arnold Networks Meet Science（KAN2.0）算法（ST³-KAN2.0）。首先，该算法利用基于高斯核构建的空间矩阵的时空图卷积网络（STGCN）从多能源负荷及相关气象变量中提取特征。然后，通过季节-趋势分解（STL）过程，卷积神经网络（CNN）捕获趋势信息。接着，将提取的时空特征与未来趋势信息通过特征融合方法整合在一起。最后，基于这些特征构建多能源联合预测模型。使用真实世界数据集验证了该算法的准确性和鲁棒性。验证结果表明，该算法在预测准确性方面显著优于STGCN-CNN和Informer算法。此外，该模型具有较高的计算效率，在训练过程中占用内存少，并且在测试集上处理速度快。鲁棒性测试表明，即使在不同水平的噪声干扰下，该算法也能保持稳定的性能。

章节片段

引言

综合能源系统（IES）在能源转型和碳中和中发挥着重要作用。它们推动技术创新，是实现战略能源转型、清洁低碳发展和多元化转型的关键途径。IES得到了各国的大力支持，并具有巨大的市场发展潜力（Anadón, Baker, & Bosetti, 2017; Li et al., 2026b）。随着新一轮全球人工智能技术革命的深入发展……

本节从“源-电网-负荷-储能”的角度介绍了IES中多能源负荷及其相关变量之间的时空耦合问题。随后，利用Moran’s I指数和Geary’s C指数指标验证了多能源负荷的时空相关性（Freitas, de Souza, Amaral, & De Bastiani, 2022; Krzy?ko et al., 2023; Qu, Li, Hou, Huang, & He, 2024）。最后，介绍了STL方法……

本节提出了一个基于IES时空耦合特性和趋势信息的KAN2.0多能源负荷预测框架（Liu, Ma, Wang, Matusik, & Tegmark, 2024a）。为了充分利用IES的时空耦合特性和趋势信息，本节首先介绍了基于高斯核函数的STGCN时空特征提取理论（Chen, Zhang, Du, Meng, & Meng, 2024）以及CNN……

本节使用真实数据集验证了第3节提出的多能源负荷联合预测算法ST³-KAN2.0。首先描述了实验的基本条件，包括数据描述、硬件和软件基础以及参数设置。然后，通过对比不同模块来验证所提算法的预测效果。

针对IES中多能源负荷的时空耦合和趋势问题，提出了一种结合时空特征和趋势信息的KAN2.0预测框架。首先，考虑到IES中多能源负荷之间的复杂时空耦合，提出了一种基于高斯核构建的图矩阵的STGCN神经网络来提取多能源负荷及相关气象变量之间的时空特征。其次，为了捕捉未来趋势……

刘向飞：撰写 – 审稿与编辑，撰写 – 原稿，软件，方法论，概念化。王春：验证，方法论，资金获取。郭元军：撰写 – 审稿与编辑，资源获取。徐松：软件，资源。万涛：验证，资源。杨志乐：概念化，资金获取。李康：监督，资源。

我们声明与可能不当影响我们工作的其他人或组织没有财务和个人关系。我们对任何产品、服务和/或公司没有专业或其他形式的个人利益，这些利益可能会影响题为“ST3-KAN2.0：综合能源系统中多能源负荷预测的 holistic 神经网络框架”的手稿的内容或评审。