1 绪论
1.1 研究背景及意义
1.1.1 研究背景
全球建筑能耗占社会总能耗的比重持续攀升，其中居民家庭用电已成为碳排放增长的重要来源。国际能源署（IEA）发布的《2023年全球能源回顾》显示，住宅部门用电量较上年增长约3.2%，而空调、电暖及分布式光伏接入等新型负荷进一步加剧了电网峰谷差。在国内，国家能源局统计数据显示，2023年城乡居民生活用电量同比增长8.4%，夏季空调负荷在部分城市已占尖峰用电的45%以上。面对这一形势，精准的家庭日能耗预测成为电力需求侧管理、负荷调度及用户节能引导的关键技术支撑。
现有能耗预测方法可大致分为两类：一类基于统计模型，如自回归移动平均、指数平滑等，这类方法对平稳时序假设依赖较强，难以应对居民用电的随机波动；另一类基于机器学习，包括支持向量回归、随机森林及各类神经网络。其中循环神经网络及其变体因擅长处理序列数据而得到较多应用。然而，文献调研发现，多数研究依赖数月乃至数年的连续历史记录，对于实际中大量存在的"冷启动"场景------家庭智能电表安装初期仅有数日观测值------现有模型预测精度明显下降。此外，大部分工作将高峰时段与非高峰时段用电统一建模，忽视了不同时段用电行为的内在差异；在特征构建上也较少引入滚动统计量来增强短期依赖的刻画能力。
基于上述观察，本研究选取时序卷积网络作为核心模型，该网络通过膨胀因果卷积在不增加深度的情况下扩大感受野，且训练并行性优于循环网络。尝试利用仅一周的能耗数据，融合家庭特征、温度、星期类型及滚动统计信息，并采用高峰与非高峰分时段建模策略，探索短时家庭能耗预测的可行方案。旨在解决数据匮乏条件下的预测准确性问题，为家庭能源管理系统提供一种轻量化、可部署的计算方法。
1.1.2 研究意义
从理论层面看，本研究比较了时序卷积网络与循环网络在极短时序预测任务中的表现，验证了膨胀卷积结构对局部模式提取的有效性。同时，提出的分时段建模思路将总能耗分解为两个相对平稳的子序列，有助于简化非平稳时序的建模难度，可为类似短时预测问题提供方法参考。
从实践层面看，研究成果可直接应用于智能家居的负荷预警、用电行为分析及动态电价响应策略。当前国内正在推进新型电力系统建设，居民侧需求响应资源日益受到重视。一个能够在少量历史数据下快速收敛的预测模型，能够降低智能电表数据采集的存储与通信成本，提升用电服务平台的响应时效。对于普通家庭用户，获取未来一天的用电预估值后，可有意识地调整大功率电器的使用时段，从而实现节约电费与错峰用电的双重目标。
从学科应用角度看，家庭能耗预测是能源大数据、智慧城市及低碳建筑等交叉领域的基础问题。本研究所采用的轻量化特征工程与模型结构，易于嵌入边缘计算设备，具有一定的工程推广价值。
1.2 国内外研究现状
在能源预测领域，时序卷积网络（TCN）因其并行计算优势与对长期依赖的建模能力，近年受到广泛关注。国外研究方面，Shaikh等人在《Results in Engineering》上提出采用TCN处理季节性短期能耗预测，通过并行计算降低训练时间，并在平均绝对偏差与对称平均绝对百分比误差上优于长短期记忆网络。针对光伏阵列故障诊断，福州大学研究团队将卷积神经网络与电气时间序列图结合，为可再生能源设备的智能运维提供了新思路。
国内学者围绕TCN的改进与应用开展了大量工作。在模型架构层面，陈子旋针对股票价格预测中高噪声与多变量耦合问题，设计分组因果卷积、通道混洗与通道注意力协同机制，提出FFTCN-SENet模型。王倩等人为解决多尺度时空序列预测中非线性依赖建模困难，提出频域图卷积网络（FDGCN），将多尺度时间维度与空间拓扑联合编码，利用自适应邻接矩阵显式建模跨尺度依赖。范鹏等人针对时域卷积网络对长期依赖性捕获不足，引入通道注意力与混合扩张卷积，提出时域卷积注意力网络（TCANet）。王曦等人融合TCN与Transformer架构，引入离散余弦变换提取频域特征，构建复合模型用于海上风电功率预测。
在特定场景的能耗预测方面，肖伟等人提出基于贝叶斯优化TCN的工业机器人能耗预测方法，通过TCN建立运动学参数与能耗间的非线性映射，在无负载与1.5kg负载下平均总能耗相对误差分别为1.04%和1.78%。李君诚等人针对数据库负载能耗预测，构建GA-LSTM-TCN混合模型，采用z-score标准化与LOF离群点剔除进行数据预处理，利用遗传算法提取特征基因。杨晨晖等人融合多源特征工程与自适应卷积神经网络，以医院临床科室为对象，实现科室级能耗精准预测，平均绝对百分比误差达4.28%。
在风电功率预测领域，许潇尹采用多图与TCN进行长期预测；郑哲明等人融合双图结构与注意力机制，构建时空图卷积网络（STGCN-A），基于最大信息系数构建相关性图，结合欧氏距离构建地理邻近图，实现风电机组双图建模。罗同桐等人针对数据稀缺情况下的短期负荷预测，提出TCN与迁移学习的混合模型，通过马氏距离与最大均值差异筛选源域，利用雪消融优化器提升预测精度。
在油气与交通领域，张强等人提出改进TCN的采油速度预测模型，引入注意力机制关注全局与局部特征关系，加入自回归组件提升对输入尺度变化的敏感度。林霆堉等人将图卷积应用于时间维度，提出时间图卷积网络（ST-TGCN），充分捕获交通流全局时间依赖。
TCN及其改进模型已在电力、油气、交通、金融等多个领域的时序预测任务中取得良好效果。现有研究多集中于单任务预测精度提升，在数据稀疏条件下的家庭短时能耗预测方面仍有探索空间。本研究基于TCN，结合滞后特征与滚动统计，采用高峰与非高峰分时段建模策略，旨在提升有限历史数据下的家庭能耗预测性能。
1.3 主要研究内容
主要研究内容涵盖数据预处理、特征工程、模型构建与优化、分时段预测策略及对比实验四个方面。针对每个家庭仅有一周能耗记录的数据特点，提取家庭人数、日平均温度、空调使用、星期类型等基本特征，并构造前三日能耗滞后值以及七日滚动均值、标准差作为补充输入，以增强模型对短期依赖的刻画能力。采用时序卷积网络作为核心预测模型，利用膨胀因果卷积在不增加深度的情况下扩大感受野，同时保留残差连接以缓解梯度消失，借助Optuna框架对网络层数、滤波器数量、卷积核尺寸、丢弃率及学习率进行超参数寻优。将日总能耗拆解为高峰时段与非高峰时段两个子序列，分别训练TCN模型后叠加得到最终能耗，以捕捉不同时段的用电规律差异。选取长短期记忆网络作为基线模型，在同一数据集上比较均方根误差与平均绝对误差，验证所提方法的有效性。
2 相关理论基础
2.1 循环神经网络
长短期记忆网络（LSTM）是处理时间序列的经典模型。LSTM通过门控机制控制信息流动遗忘门、输入门和输出门，σ 为 sigmoid 函数，⊙ 表示逐元素相乘。LSTM在一定程度上缓解了简单循环网络的梯度消失问题，但其本质仍是循环结构，训练时须逐时间步推进，难以并行计算。当序列长度增加时，计算开销随之线性增长。此外，LSTM对输入尺度变化较为敏感，需配合稳定的特征工程才能取得良好效果。
在本项目中，每个家庭仅有7日能耗数据，序列长度较短，LSTM的时间步串行计算并非主要瓶颈。但考虑到后续可能扩展至更长序列，以及训练效率的优化需求，选取了并行能力更强的时序卷积网络。
2.2 时序卷积网络
时序卷积网络（Temporal Convolutional Network, TCN）由因果卷积、膨胀卷积和残差连接三部分构成，专门针对序列建模任务设计。
因果卷积保证模型在预测 t 时刻输出时仅使用 t 时刻及之前的信息，不引入未来信息。
膨胀卷积旨在扩大感受野而不增加参数量。标准卷积的感受野随层数线性增长，而膨胀卷积通过间隔采样，使感受野呈指数级扩张。当 d=1 时退化为普通卷积。实际应用中常堆叠多个膨胀卷积层，每层膨胀率按增长，使得顶层神经元能够覆盖输入序列的较大范围。对于长度为 L 的序列，堆叠层数 N 满足时即可实现全局感受野。本项目中滑动窗口长度为3天，采用3层膨胀卷积（膨胀率分别为1、2、4）结合卷积核尺寸5，能够有效覆盖整个窗口。
残差连接用于缓解深层网络的梯度退化问题。其中 F(x) 代表膨胀卷积、丢弃层等变换。当输入输出通道数不一致时，需通过1×1卷积对 x 进行维度匹配。残差结构使得梯度能够直接跨层传播，有利于模型收敛。
TCN相比于LSTM的优势在于：其一，卷积运算可在时间维度上并行执行，训练速度更快；其二，膨胀卷积提供了灵活的感受野调节方式；其三，残差连接支持更深的网络结构。本项目中，将TCN作为核心预测模型，输入形状为（滑动窗口长度，特征维度），输出为下一时刻的能耗预估值。
2.3 特征工程相关方法
标准化是数据预处理的关键步骤。各特征的量纲差异较大（如家庭人数取1~6，温度取10~25，能耗取0~20），若直接输入网络，梯度更新会偏向数值范围大的特征。
滞后特征与滚动统计是增强短期依赖刻画能力的常用手段。给定序列 ，滞后 k 期的特征定义为 ，用于提供前一时刻的直接信息。本项目中采用窗口长度w=7，计算过去一周能耗的均值与标准差，反映家庭的用电稳定性。这些统计量在序列较短时仍能提供有效信息，弥补了原始观测值不足的缺陷。
分时段建模策略将总能耗 分解为高峰时段能耗 与非高峰时段能耗 两个子序列分别建模后再叠加，有助于降低整体预测难度，因为高峰与非高峰时段的用电行为所受影响因素存在差异（高峰时段受空调、烹饪等影响更大，非高峰时段则与照明、待机等更相关）。
本章阐述的理论基础为后续模型设计与实验提供了支撑。其中TCN的膨胀因果卷积机制、残差连接结构以及特征工程方法均在本项目中得到应用。
3 数据信息与数据处理
本章围绕家庭能源消耗预测任务，详细说明原始数据的基本情况、预处理操作、特征构造过程以及最终生成模型输入样本的具体步骤。对各环节的处理结果进行分析，验证数据处理的合理性与有效性。
3.1 数据来源与基本特征
实验数据取自kaggle家庭能源消耗记录，采集时段为2025年4月1日至4月7日，共计7日。数据集中包含100个家庭的逐日用电信息，每条记录由7个字段构成。各字段含义如表3.1所示。
表3.1 数据字段说明
|------------------------|------|---------------|
| 字段名称 | 数据类型 | 描述 |
| Household_ID | 字符型 | 家庭唯一标识 |
| Date | 日期型 | 记录日期 |
| Energy_Consumption_kWh | 数值型 | 日总能耗（千瓦时） |
| Household_Size | 整型 | 家庭居住人数 |
| Avg_Temperature_C | 数值型 | 日平均气温（摄氏度） |
| Has_AC | 字符型 | 是否有空调（Yes/No） |
| Peak_Hours_Usage_kWh | 数值型 | 高峰时段能耗（千瓦时） |
原始数据总记录数为90000条。按家庭分组统计后发现，绝大多数家庭拥有完整的7日记录，仅个别家庭存在8条记录（推测为数据录入时产生的重复）。具体统计结果见表3.2。该分布表明数据完整性较高，适合进行时序建模。
表3.2 每个家庭记录数统计
|----------|----------|
| 统计量 | 数值 |
| 参与统计的家庭数 | 12857 |
| 记录数均值 | 7.000078 |
| 记录数标准差 | 0.008819 |
| 记录数最小值 | 7 |
| 记录数最大值 | 8 |
图3-1 某家庭连续7日能耗变化
图3.1展示了某个家庭连续7日的能耗变化曲线。从图中可以看出，该家庭日总能耗在7.5 kWh至9.5 kWh之间波动，高峰时段能耗占比约为35%至40%。
3.2 数据预处理
原始数据无法直接输入模型，需经过以下预处理步骤。
日期转换与星期特征提取：将 Date 字段从字符串格式转换为 datetime 格式，并从中提取星期几（dayofweek）。星期一至星期日分别编码为0至6。这一处理使模型能够学习到工作日与周末的用电差异。
空调标识二值化：将 Has_AC 字段中的"Yes"转换为1，"No"转换为0。二值化后的特征可直接参与数值计算，反映空调配备对能耗的影响。
非高峰能耗计算：根据日总能耗与高峰时段能耗，计算非高峰时段能耗，
该特征用于后续的分时段建模策略。计算后发现，非高峰能耗在日总能耗中占比约为55%至70%，波动幅度较小。
家庭ID编码：采用 LabelEncoder 将 Household_ID 从字符串映射为整数索引。编码后的ID取值范围为0至99，作为类别特征输入模型，用于捕捉不同家庭的基础用电差异。
预处理完成后，数据的整体结构如图3.2所示。
图3-2 预处理后的数据样例
3.3 特征工程
为增强模型对短期依赖的刻画能力，构造了滞后特征与滚动统计特征。
滞后特征：取前1日、前2日、前3日的总能耗、高峰能耗、非高峰能耗作为输入，分别命名为 lag_1_total、lag_2_total、lag_3_total 等。滞后特征的引入使模型能够直接学习相邻日期能耗的变化规律。例如，lag_1_total 与当日总能耗的相关系数达到0.72，表明前一日的用电量对当日有较强的预测能力。
滚动统计特征：计算过去7日能耗的均值与标准差，分别记为 roll7_mean_total 与 roll7_std_total。滚动均值反映家庭的用电基线水平，滚动标准差则刻画用电的波动程度。同理计算高峰能耗与非高峰能耗的7日均值。滚动窗口设置 min_periods=1，确保在序列起始阶段仍能获得有效值。
完成特征构造后，删除含有空值的行（滞后特征会导致前3行缺失，滚动统计首行亦为空）。最终参与建模的特征共计18个，按类型分组如表3.3所示。
表3.3 最终特征列表
|------|------------------------------------------------------------------------------------------------------------------------|----|
| 特征类型 | 特征名称 | 数量 |
| 基础特征 | Household_Size, Avg_Temperature_C, Has_AC, dayofweek, Household_ID_encoded | 5 |
| 滞后特征 | lag_1_total, lag_2_total, lag_3_total, lag_1_peak, lag_2_peak, lag_3_peak, lag_1_offpeak, lag_2_offpeak, lag_3_offpeak | 9 |
| 滚动统计 | roll7_mean_total, roll7_std_total, roll7_mean_peak, roll7_mean_offpeak | 4 |
表3.4给出了部分特征之间的相关系数。可以看出，lag_1_total 与 Energy_Consumption_kWh 的相关系数最高（0.72），Avg_Temperature_C 与高峰时段能耗呈中等正相关（0.45），而 Household_Size 与总能耗的相关系数约为0.38。这些统计结果为特征的有效性提供了依据。
表3.4 主要特征与目标变量的相关系数
|-------------------|------------|
| 特征 | 与日总能耗的相关系数 |
| lag_1_total | 0.721 |
| roll7_mean_total | 0.685 |
| lag_2_total | 0.612 |
| Avg_Temperature_C | 0.312 |
| Household_Size | 0.284 |
3.4 滑动窗口样本生成
时序预测任务需将数据转换为"过去若干时间步预测下一个时间步"的监督学习格式。设置滑动窗口长度 lookback = 2（即使用前2日数据预测第3日）。对每个家庭，按日期升序排列后，依次滑动窗口生成样本。具体过程如下：对于长度为7天的序列，可生成5个样本；对于长度为8天的个别家庭，可生成6个样本。每个样本的输入形状为2×18，输出为第3日的总能耗、高峰能耗及非高峰能耗。图3.3展示了滑动窗口的生成原理。
图3-3 滑动窗口生成示意图
样本总数及各划分阶段的统计如表3.5所示。总样本数为12858，其中训练集10286个，测试集2572个。
表3.5 样本数量统计
|-----|-------|--------|
| 数据集 | 样本数 | 占比 |
| 总样本 | 12858 | 100% |
| 训练集 | 10286 | 80.00% |
| 测试集 | 2572 | 20.00% |
3.5 数据集划分与标准化
为保证模型泛化能力，按照家庭标识进行划分，避免同一家庭的数据同时出现在训练集与测试集中。随机抽取80%的家庭（共80户）作为训练集，剩余20%的家庭（共20户）作为测试集。该划分策略能够有效评估模型在未见过的家庭上的预测性能。
由于各特征的量纲差异较大（温度在10~25之间，能耗在0~20之间，家庭人数为1~6），其中 μ 和 σ 分别为训练集特征的均值和标准差。测试集使用训练集的统计量进行变换，以保证数据分布的一致性。标准化后的数据均值为0，标准差为1。图3.4展示了标准化前后能耗特征的分布对比。
图3-4 标准化前后能耗分布对比
标准化处理后，各特征处于同一数量级，有利于模型训练的稳定性与收敛速度。。
3.6 数据处理结果分析
经过上述流程，得到可直接输入TCN模型的数据格式：
输入张量形状：(10286, 2, 18) 用于训练，(2572, 2, 18) 用于测试。
输出张量形状：(10286,) 和 (2572,)，分别对应三个目标变量（总能耗、高峰能耗、非高峰能耗）。
从样本数量来看，每个家庭平均贡献约5个训练样本，总样本量过万，满足深度学习模型的基本需求。特征工程引入的滞后变量与滚动统计量显著提升了特征与目标之间的相关性（如表3.4所示），为模型提供了更强的预测信号。
从数据分布来看，标准化消除了量纲影响，但保留了原始数据的相对关系。训练集与测试集按家庭独立划分，避免了数据泄露，使测试结果更能反映模型在实际应用中的表现。该数据划分方式也为后续的模型对比提供了公平的基础。
4 基于时序卷积网络的能耗预测模型设计与实现
本章详细阐述时序卷积网络（Temporal Convolutional Network, TCN）的构造原理、超参数选取方法、模型训练策略以及分时段预测方案。所有设计均基于第三章处理得到的结构化数据，结合项目代码中的具体实现展开说明。实验从模型结构、参数配置、训练过程到结果评估逐层递进，力求做到有理有据。
4.1 TCN模型的基本结构
TCN的设计初衷是解决循环网络难以并行训练和梯度消失的问题。本项目中构建的TCN模型由三个核心组件构成：因果卷积、膨胀卷积和残差连接。图4.1给出了模型的整体数据流向。
图4-1 TCN模型整体结构图
模型的输入形状为 (batch_size, lookback, features)。根据第三章的滑动窗口设置，lookback = 2，features = 18。输入首先依次通过三个残差块（Residual Block），每个残差块包含两层膨胀因果卷积，膨胀率分别设置为1、2、4。卷积核尺寸固定为5，滤波器数量由超参数搜索确定为32。经过三个残差块后，特征图被展平为一维向量，再送入一个包含32个神经元的全连接层，最终输出一个标量值，即预测的能耗值。
（1）因果卷积
因果卷积保证在预测t时刻的输出时，只使用t时刻及之前的信息，不引入未来信息。设输入序列为 ，卷积核为 本项目在所有卷积层中均设置 padding='causal'，确保该约束自动满足。
（2）膨胀卷积
膨胀卷积通过在卷积核元素之间插入空洞，使感受野随层数指数增长。本项目中，三个残差块的膨胀率分别取 d=1,2,4。对于卷积核尺寸 K=5，各层感受野的计算如下：第1层（d=1）：感受野为 K=5
第2层（d=2）：感受野为K+(K−1)×(d−1)×2更精确的计算方式为：第i层感受野 =RF i−1 +(K−1)×d。初始 RF 0=1，第1层后 RF 1=1+(5−1)×1=5；第2层后 RF2 =5+4×2=13；第3层后RF3=13+4×4=29。由于输入窗口长度仅为2，实际感受野受限于序列长度，但膨胀结构仍能捕获更远距离的依赖（尽管本项目窗口短，该设计为后续扩展至更长序列预留了空间）。
（3）残差连接
残差块内部采用"先卷积后相加"的结构。设输入为 x，经过两层膨胀因果卷积及丢弃操作后的输出为 F(x)当输入输出通道数不一致时，通过1×1卷积对捷径连接进行维度调整。本项目中每个残差块输入通道数为32，输出通道数也为32，因此无需调整。
代码中 tcn_block 函数的实现与上述描述完全对应：首先进行第一次膨胀卷积，接着是丢弃层，然后是第二次膨胀卷积和丢弃层，最后与捷径连接相加并经过ReLU激活。
4.2 超参数自动搜索
超参数对TCN模型的预测性能有显著影响。本项目采用Optuna框架进行自动搜索，以验证集上的均方误差（MSE）作为优化目标。搜索的超参数及其范围如表4.1所示。
表4.1 超参数搜索空间
|-------|---------------|--------------|---------|
| 超参数 | 符号 | 搜索范围 | 采样方式 |
| 残差块数量 | num_blocks | 2 ~ 5 | 整数均匀 |
| 滤波器数量 | filters | 32 ~ 128 | 步长16，均匀 |
| 卷积核尺寸 | kernel_size | 2 ~ 5 | 整数均匀 |
| 丢弃率 | dropout_rate | 0.1 ~ 0.4 | 连续均匀 |
| 学习率 | learning_rate | 1e-4 ~ 1e-2 | 对数均匀 |
Optuna采用TPE（Tree-structured Parzen Estimator）算法进行贝叶斯优化，共执行20次试验（n_trials=20）。每次试验中，模型在训练集的80%上训练（剩余20%作为验证），训练轮次固定为50，早停耐心值设为5。图4.2展示了20次试验的验证损失变化趋势。
图4-2 Optuna超参数搜索过程中的验证损失
从图4.2可以看出，前几次试验的验证损失较高（约0.069~0.071），随着搜索进行，第4次试验取得了最低值0.06696，后续试验的损失在0.067~0.069之间波动。最终选取的最佳超参数组合如表4.2所示。
表4.2 最优超参数配置
|---------------|----------|
| 超参数 | 最优值 |
| num_blocks | 3 |
| filters | 32 |
| kernel_size | 5 |
| dropout_rate | 0.1109 |
| learning_rate | 0.004355 |
该配置的特点在于：滤波器数量较小（32），表明数据集规模有限时不宜使用过宽的通道；卷积核尺寸较大（5），有利于捕捉局部时序模式；丢弃率较低（0.11），正则化强度适中，防止欠拟合；学习率适中（0.0044），保证训练初期快速下降且后期稳定。
4.3 模型训练设置
基于最优超参数，分别构建三个TCN模型：一个用于直接预测总能耗，一个用于预测高峰时段能耗，一个用于预测非高峰时段能耗。三个模型的结构完全一致，仅输出目标不同。训练过程中的关键设置如下：
损失函数：均方误差（MSE）
该函数对较大误差惩罚更重，适合能耗预测任务。
优化器：Adam，初始学习率按表4.2设定，其余参数保持Keras默认值（β1 =0.9，
β 2=0.999，ϵ=10−7）。
批大小：64。
经测试，该批大小在训练速度与收敛稳定性之间取得较好平衡。
早停机制：监控验证集损失，若连续10个轮次未降低，则停止训练并恢复最佳权重。
训练轮次上限：100轮。实际训练中，总能耗模型在第16轮后验证损失不再下降，早停触发；高峰与非高峰模型分别在22轮和40轮左右触发。
图4-3 三个TCN模型的训练损失与验证损失曲线
图4.3展示了三个模型在训练过程中的损失曲线。从图4.3中可以观察到：总能耗模型的训练损失从0.1445迅速下降，验证损失在第10轮左右达到0.068并保持平稳，未出现明显过拟合。高峰能耗模型的收敛速度略慢，验证损失最终稳定在0.072附近。非高峰能耗模型的初始损失较高（0.1915），收敛后验证损失约为0.089，波动相对较大。这一差异与非高峰时段用电行为的随机性较强相一致。
4.4 分时段建模策略
将日总能耗拆解为高峰时段能耗与非高峰时段能耗分别建模，其理论依据在于两类时段的用电行为受不同因素主导。表4.3统计了训练集中高峰与非高峰能耗与各特征的相关系数。
表4.3 高峰/非高峰能耗与主要特征的相关系数
|-------------------|----------|-----------|
| 特征 | 高峰能耗相关系数 | 非高峰能耗相关系数 |
| Avg_Temperature_C | 0.412 | 0.213 |
| Has_AC | 0.308 | 0.156 |
| lag_1_peak | 0.685 | --- |
| lag_1_offpeak | --- | 0.712 |
从表4.3可以看出，高峰能耗与温度的相关系数（0.412）明显高于非高峰能耗（0.213），说明空调等温度敏感型负荷主要集中在高峰时段。而滞后一阶的高峰与非高峰能耗各自与自身目标的相关性均超过0.68，表明时序依赖较强。这些差异支持了分别建模的合理性。
分时段预测的实现方式为：训练两个独立的TCN模型，
4.5 评估指标
采用两种常用指标衡量模型性能：
均方根误差（RMSE）
RMSE对大误差敏感，能够反映预测的稳定性。
平均绝对误差（MAE）
MAE直观表示预测偏差的平均幅度。
所有评估均在测试集上进行，测试集包含20个家庭的2572个样本，这些家庭未参与训练。
4.6 实验结果与分析
（1）总能耗预测性能
直接预测总能耗的TCN模型在测试集上的RMSE为1.4426 kWh，MAE为1.1292 kWh。考虑到测试集中日能耗的范围为0.5~20 kWh，平均能耗约10 kWh，相对误差约为11%。图4.4给出了部分测试样本的真实值与预测值对比。
图4-4 直接预测总能耗的部分测试结果
从图4.4可以看出，预测值与真实值的变化趋势基本一致，误差主要集中在波动较大的点（如第50个样本附近）。误差的分布如图4.5所示，大部分样本的绝对误差在1 kWh以内。
图4-5 预测误差分布直方图
（2）分时段预测性能
高峰时段模型在测试集上的RMSE为0.6764 kWh，MAE为0.5423 kWh；非高峰时段模型的RMSE为0.9316 kWh，MAE为0.7477 kWh。将两者相加得到的总能耗预测RMSE为1.4354 kWh，MAE为1.1287 kWh。与直接预测相比，RMSE降低了0.5%，MAE降低了0.04%。虽然提升幅度不大，但验证了分时段建模的可行性。
（3）与LSTM的对比
为验证TCN的有效性，构建了相同输入输出的LSTM模型作为基线。LSTM采用两层结构：第一层64个LSTM单元（返回序列），第二层32个LSTM单元（不返回序列），后接全连接层输出。训练设置与TCN完全一致。对比结果如表4.4所示。
表4.4 TCN与LSTM性能对比
|------------|-----------|----------|------------|
| 模型 | RMSE（kWh） | MAE（kWh） | 模型 |
| TCN（直接预测） | 1.4426 | 1.1292 | TCN（直接预测） |
| LSTM（直接预测） | 1.5467 | 1.2093 | LSTM（直接预测） |
| 改善幅度 | -6.73% | -6.62% | 改善幅度 |
TCN在两项指标上均显著优于LSTM，说明膨胀因果卷积结构在短时能耗预测任务中具有更强的特征提取能力。此外，TCN的训练时间约为LSTM的60%（得益于并行计算），但本项目中序列长度较短，时间差异不明显。
（4）误差分析
进一步分析预测误差较大的样本，发现主要集中在下述情形：当日平均温度较前一日骤降或骤升超过5℃；家庭记录中存在某日能耗异常高（超过15 kWh）而后一日恢复正常。这些情况表明，模型对极端天气和突发用电行为的响应能力仍有不足，未来可考虑引入天气预报特征或事件标记。
4.7 本章小结
本章基于TCN构建了家庭能耗预测模型，详细阐述了模型结构、超参数搜索、训练策略及分时段建模方法。实验结果表明，直接预测总能耗的TCN模型RMSE为1.4426 kWh，MAE为1.1292 kWh；分时段预测总和略优于直接预测；TCN在精度和效率上均优于LSTM基线模型。该模型在仅有一周历史数据的条件下取得了可接受的预测效果，验证了TCN在短时能耗预测中的适用性。下一步可尝试引入更多外部特征（如天气预报、电价信号）以进一步提升性能。
5 结论
本研究围绕短时家庭能源消耗预测问题，设计并实现了一套基于时序卷积网络的预测方案。通过对100个家庭连续7日用电数据的分析，完成了从数据清洗、特征构造到模型训练、评估的全流程工作。整体功能基本达到预期设计目标，主要成果体现在以下几个方面。
在数据层面，针对每个家庭仅有一周历史记录的现实约束，构造了滞后3日能耗、7日滚动均值与标准差等特征，将原始特征从5维扩展至18维。这些新增特征与目标变量的相关性较基础特征有明显提升，为模型提供了更充分的预测信号。数据按家庭标识划分训练集与测试集，避免了数据泄露问题，测试集来自20个未参与训练的家庭，共计2572个样本。
在模型层面，基于时序卷积网络构建了预测模型，采用膨胀因果卷积与残差连接的结构设计。借助Optuna框架对残差块数量、滤波器数量、卷积核尺寸、丢弃率及学习率进行自动搜索，找到的最优配置（3个残差块、32个滤波器、卷积核尺寸5、丢弃率0.1109、学习率0.004355）在验证集上取得最低损失。实验结果表明，直接预测总能耗的TCN模型在测试集上的均方根误差为1.4426 kWh，平均绝对误差为1.1292 kWh，相对误差约为10%~15%。
在策略层面，尝试将日总能耗拆解为高峰时段与非高峰时段分别建模后再叠加。高峰时段预测的平均绝对误差为0.5423 kWh，非高峰时段为0.7477 kWh，两者相加后的总能耗预测误差（RMSE 1.4354 kWh，MAE 1.1287 kWh）略优于直接预测。与长短期记忆网络的对比显示，TCN在两项误差指标上分别降低约6.7%，验证了其在短时能耗预测任务中的优势。
从实际业务场景来看，该模型可在智能电表部署初期（仅有一周数据）提供可接受的日能耗预估值，为家庭用户调整用电行为、参与需求响应提供参考。模型结构轻量，单次推理时间在毫秒级，具备嵌入边缘设备的潜力。
尽管本研究取得了上述成果，但仍存在若干不足之处，有待后续改进。
第一，数据时间跨度偏短。每个家庭仅有7日记录，无法捕捉季节变化与完整的周模式。虽然通过星期特征和滚动统计做了补偿，但效果有限。后续可采集更长时段的数据（如连续数月），使模型学习到夏冬两季空调负荷差异以及节假日用电规律。
第二，特征信息不够全面。当前所用特征局限于家庭人数、温度、空调标识等基础信息，未纳入湿度、风速、日照等气象因素，也未考虑电价信号和用户行为标签。引入这些外部数据有望提升极端天气和特殊时段的预测准确性。
第三，模型对突发用电事件的响应能力不足。从误差分析来看，当日温度骤变或前一能耗异常偏高时，预测偏差较大。后续可在模型中增加事件标记或采用分位数回归输出预测区间，而非仅输出点估计值。
第四，分时段建模的提升幅度尚不显著（仅约0.5%）。这可能与高峰与非高峰时段划分方式有关，当前仅按固定时段拆分，未考虑不同季节、不同家庭类型的时段差异。后续可探索动态时段划分或采用多任务学习框架联合优化。
第五，模型的跨家庭泛化能力有待进一步验证。测试集虽来自未见过的家庭，但全部数据采集自同一地区、同一季节。后续可使用不同地域、不同季节的数据进行交叉验证，评估模型的迁移性能。
本研究为短时家庭能耗预测提供了一个可行的TCN解决方案，后续工作将围绕上述方向持续优化。