EnergyMamba：一种用于能源消耗预测的不确定性感知图增强选择性状态空间模型

背景

能源消耗预测对于电网的高效管理、需求侧优化以及可持续能源规划至关重要。随着可再生能源比例的上升和电网复杂度的增加，精准且可靠的负荷预测成为电力系统稳定运行的关键。

尽管先进的机器学习方法已被广泛应用于提升预测性能，但现有的研究工作仍存在两个关键局限性：

1. 缺乏显式的空间依赖建模：大多数现有工作将能源消耗预测任务单纯地视为时间序列预测问题，忽略了不同区域之间通过电网拓扑结构产生的空间依赖性。
2. 异常情境下的不确定性估计缺失：在极端天气事件等异常情况下，现有模型往往无法提供带有可靠不确定性估计的预测结果，导致在高风险场景下的决策支持能力不足。

为了突破上述局限，研究人员提出了 EnergyMamba，这是一个用于准确且可靠能源消耗预测的不确定性感知时空学习框架。

核心内容

EnergyMamba 的核心创新在于其结合了时空建模与不确定性量化，主要包含两个关键组件：

1. 图增强选择性状态空间模型 (GE-Mamba)

传统的选择性状态空间模型（如 Mamba 架构）在处理长序列时间数据时具有高效的优势，但往往侧重于时间维度的动态变化。GE-Mamba 的创新之处在于将空间上下文信息注入到时间动态中：

• 空间上下文注入：该模块从电网拓扑结构中学习到空间上下文信息，并将其整合进时间动态建模过程中。
• 耦合时空建模：通过这种方式，模型能够同时捕捉时间上的演变规律和空间上的相互影响，实现了真正的耦合时空建模，从而更准确地反映不同区域间的能源流动和消耗关联。

2. 自适应序列化分位数回归模块 (AS-CQR)

为了解决极端天气等分布偏移情况下的预测可靠性问题，EnergyMamba 引入了 AS-CQR 模块，专门用于动态校准预测区间：

• 局部自适应归一化：该机制能够根据局部数据特征进行自适应调整，增强模型对局部数据分布变化的鲁棒性。
• 在线反馈机制：通过引入在线反馈机制，模型能够实时调整预测区间，以应对潜在的数据分布偏移（Distribution Shifts）。这使得模型在遇到异常情境时，不仅能给出预测值，还能提供经过动态校准的不确定性估计（即预测区间），从而提高决策的可信度。

关键要点

• 双重创新架构：EnergyMamba 结合了 GE-Mamba（处理时空耦合）和 AS-CQR（处理不确定性量化），解决了传统方法在空间建模和异常情境可靠性上的不足。
• 空间依赖性显式建模：不同于纯时间序列方法，该框架显式地利用电网拓扑结构来建模区域间的空间依赖关系。
• 动态不确定性校准：AS-CQR 模块通过局部自适应归一化和在线反馈，能够动态调整预测区间，有效应对极端天气等导致的分布偏移。
• 大规模实证验证：研究在来自佛罗里达州、纽约州和加利福尼亚州的四个大规模真实世界数据集上进行了评估。
• 性能显著提升：实验结果表明，与 15 种最先进（SOTA）的基线模型相比，EnergyMamba 在预测精度上提升了约 5%，在不确定性量化方面提升了约 6%。

意义与影响

EnergyMamba 的提出标志着能源消耗预测从单纯的“点预测”向“概率预测”和“时空联合建模”的重要转变。

1. 提升电网韧性：通过提供可靠的不确定性估计，电网运营商可以在极端天气或突发事件中更好地评估风险，制定更具弹性的调度策略，从而减少停电风险并优化资源分配。
2. 优化需求侧管理：显式的空间建模有助于更精准地识别区域间的能源互补性和瓶颈，为需求侧响应（DR）和分布式能源的整合提供更精细的数据支持。
3. 推动状态空间模型在时空领域的应用：GE-Mamba 证明了选择性状态空间模型（如 Mamba）在结合图结构处理时空数据方面的潜力，为后续研究提供了新的技术路径。
4. 实用价值验证：在北美主要电力市场（佛罗里达、纽约、加州）的大规模真实数据上的优异表现，证明了该框架在实际工业场景中的适用性和有效性。

总之，EnergyMamba 不仅提高了预测的准确性，更通过引入不确定性感知机制，增强了模型在复杂、动态能源环境下的决策支持能力，为构建更智能、更可持续的电网系统提供了有力的技术支撑。