一、读到这篇文章的起点
最近在看两类问题：一类是能源系统里的短期负荷预测，另一类是人工智能方法如何落到真实城市基础设施运行场景。相比“只在标准数据集上跑模型”，更想知道的是：如果把 AI 真正放进一个长期运行、受天气影响很强、而且调度成本很高的系统里，它到底能解决什么问题。
沿着这个思路，就读到了这篇文章。它讨论的不是电力负荷，而是乌兰巴托区域供热系统（district heating system, DHS）的日峰值热负荷预测。这个题目很吸引人，因为它既有非常明确的工程背景，也有清楚的预测目标：提前估计每天的峰值负荷，帮助供热系统更高效地调度热源和运行设备。
二、论文与会议来源
这篇文章出自 Springer 论文集 Intelligent Technology for Power and Energy Systems，这是 2025 International Symposium on Intelligent Technology for Power and Energy Systems (ITPES 2025) 的会议论文集，属于 Lecture Notes in Networks and Systems (LNNS), volume 1815。Springer 图书页将其标注为 首届 ITPES 会议论文集；ITPES 官方网站也说明，首届 ITPES 于 2025 年在荷兰阿姆斯特丹举办，之后 2026 年会议将在格拉斯哥举行。
从会议定位看，ITPES 关注的是智能技术在电力与能源系统中的应用，包括 AI、IoT、智能电网、能源互联网等方向。就这个会议背景来说，这篇论文非常典型：它不是停留在抽象的“AI for energy”概念上，而是落在一个很具体的城市供热系统问题上。
三、这篇文章在解决什么问题
这篇文章要解决的问题很明确：
能否利用人工智能算法，基于室外气温和历史负荷数据，预测乌兰巴托区域供热系统的日峰值负荷。
论文指出，乌兰巴托的区域供热系统已经运行超过 65 年，目前通过 4 个大型热电联产厂和 10 个主干网向大约 13,900 栋建筑供热。对于这样的大型系统来说，日峰值负荷预测直接关系到热源机组运行、能源调度和系统规划的效率。
所以，这篇文章不是在做泛泛的“时间序列预测实验”，而是在回答一个很具体的工程问题：
如果每天的峰值热负荷能被更准确地提前估计，供热系统的运行和规划会不会更高效。
四、为什么这个问题难做
读下来会发现，这个问题虽然目标简单，但实际并不好做，难点主要来自三个方面。
1. 负荷变化受时间结构影响很强
论文在方法部分先分析了负荷曲线的结构性差异：
- 冬季和夏季的日负荷曲线差异很大；
- 工作日和周末不同；
- 即使同样是工作日，周一和周五也不一样；
- 白天和夜间的负荷模式也有明显区别。
这意味着，日峰值负荷不是一个只看“昨天负荷”的简单问题，而是带有季节性、周周期和日内行为模式的复杂问题。
2. 室外气温影响很强，但不是唯一因素
作者计算了 2018–2024 年日峰值负荷与平均室外气温的相关系数，得到的平均相关系数是 -0.937，说明两者存在很强的负相关关系：气温越低，供热峰值负荷通常越高。
但这也恰好说明难点：
虽然温度是主导因素，但系统负荷并不完全由温度单独决定。工作日属性、前一天负荷、上周同期负荷等历史运行状态，同样会带来影响。
3. 这是一个真实基础设施场景，不是理想实验环境
文章里的对象是城市级供热系统，而不是实验室模拟系统。乌兰巴托本身又是极寒城市，热负荷管理关系到大规模居民建筑供热。也就是说，这个预测任务的价值很高，但也意味着输入因素复杂、波动真实、容错空间小。
五、作者是怎么把问题拆开的
我觉得这篇文章一个很值得学习的地方，是它没有一上来就直接“训练神经网络”，而是先把问题拆成几个更容易处理的层次。
第一步：先把负荷规律本身摸清楚
论文前半部分先给出了一系列统计分析和表格，先看系统负荷究竟有什么规律。比如：
- 表 1 给出了 2025 年 1 月按星期划分的日负荷因子；
- 表 2 给出了 2018–2024 年分月份的平均日负荷进程；
- 图 1 展示了 2025 年 1 月乌兰巴托 DHS 的小时热负荷；
- 图 2 给出了全年负荷轮廓。
这一步其实是在回答：
这个系统到底有没有稳定模式可学？哪些规律最值得拿来预测？
第二步：把“复杂负荷预测”先简化成一个有解释性的基线问题
在确认平均室外气温与日峰值负荷存在强负相关后，作者提出：既然两者关系很强，就可以先建立一个单因素回归模型，把它作为传统统计方法的基线。
这一步很重要，因为它不是直接把 AI 神化，而是先承认：
如果一个简单的回归模型已经足够好，那么复杂模型未必有必要。
第三步：再把问题扩展成监督学习任务
在回归基线之外，作者把预测任务重新组织成一个监督学习问题。论文给出的主要输入包括：
- 前一天的热负荷表现
- 一周前同一天的热负荷表现
- 这些天对应的平均气温
- 预测日与前序日之间的环境温差变化
同时，图 3 的模型框图还显示了模型中考虑了 day number、hour number、working day coefficient 等时间/工作日相关变量。模型输出则是当天的峰值负荷（Gcal/h）。
也就是说，作者实际解决的问题是：
在具有强天气依赖和历史依赖的区域供热系统中，用历史负荷与温度等变量预测次日峰值热负荷，并与传统回归模型进行比较。
六、技术路线：这篇文章的方法框架
从论文内容来看，这个方法框架可以理解成四个模块。
1. 负荷规律分析模块
先通过周内、月内、全年尺度的统计表和曲线，描述系统负荷的时间结构特征。比如论文指出：
- 冬季峰值主要出现在 16:00–24:00；
- 春秋多出现在 20:00–23:00；
- 夏季高负荷多集中在 19:00–23:00。
这部分的作用是先理解系统，而不是盲目上模型。
2. 相关性与回归基线模块
作者计算日峰值负荷与平均室外温度之间的相关系数，得到 -0.937 的平均值，并据此说明：
可以先用基于平均气温的回归方法作为统计基线。
这一步其实是在做“物理直觉 + 统计基线”的结合：温度是供热系统里最直接的驱动变量。
3. AI/神经网络预测模块
论文的 AI 方法本质上是一个人工神经网络（ANN）。文中说明训练与优化使用了 Python 和 IBM SPSS。图 3 显示模型采用前馈与反向传播的训练流程，输入为多种历史负荷和温度相关变量，输出为日峰值热负荷。
这里有一个细节值得记：这篇文章并没有把重点放在设计一个很复杂的新网络，而是更关注把预测问题组织成可训练的输入—输出映射。
4. 统计比较与效果评估模块
最后，作者把神经网络预测结果与传统回归结果进行比较。
表 6 给出的结果是：
- 回归模型：
rxy = 0.91，R² = 0.83 - 机器学习模型：
rxy = 0.953，R² = 0.925
从这个结果来看，AI 模型相对传统回归方法确实取得了更好的拟合与预测效果。
七、哪些输入最重要
论文里还有一个很有意思的结果是 表 5：作者对预测结果受各因素影响的程度做了统计比较。
平均下来，影响权重最大的是：
- 前一天负荷表现：66.8%
- 前 7 天同日负荷表现：27.6%
而温差相关变量的平均占比明显更小：
- 前一天外温差：2.3%
- 前 7 天外温差：3.1%
- 其他因素：0.3%
这给我的一个直接感受是：
虽然温度和负荷在总体上强相关，但在模型真正做预测时，历史负荷本身携带的信息量可能更直接、更稳定。换句话说，温度像是宏观驱动，历史负荷则更像是系统当前状态的浓缩表达。
八、这篇文章和传统方法相比，有什么不一样
读完之后，我觉得它和传统方法的差别主要体现在两个层面。
1. 不再只依赖单因素回归
传统统计方法这里主要指回归分析。回归模型的逻辑是：
既然外温和峰值负荷强负相关，那么就基于这种关系建立预测公式。
而作者的方法进一步引入了：
- 前一天负荷
- 一周前同日负荷
- 温度变化
- 时间/工作日信息
也就是说，它不再假设负荷只由一个主变量决定，而是把问题放进一个多输入、非线性映射框架里。
2. 目标从“解释关系”转向“提高预测精度”
回归模型更擅长解释“温度和负荷之间有什么关系”，而神经网络更偏向于“把多个影响因素一起吸收进去，提高预测准确度”。
这篇论文最后想证明的，也正是这一点：在这个真实供热系统中，AI 模型能把预测精度从回归模型的 rxy=0.91 提升到 rxy=0.953。
九、读完后的几个感受
1. 这篇文章的价值不在“模型有多新”，而在“问题落得很实”
它没有提出特别花哨的深度学习结构，也没有追求复杂的多层时序建模。相反，它做的是一件非常务实的事：
把一个真实城市供热系统的峰值负荷预测问题，用统计基线和 AI 方法认真比了一遍。
2. 文章最有启发的地方，是先做系统理解，再做模型
很多预测类论文容易直接跳到模型，但这篇文章前面花了不少篇幅分析周内、月内、全年负荷规律，还先做了温度相关性分析。这个顺序很对：
先理解系统，再决定模型。
3. 论文也有一个比较明显的特点：模型细节披露相对有限
从论文呈现来看，它给出了输入变量、软件平台、总体流程和结果比较，但对网络结构超参数、训练过程细节的说明并不算很展开。
所以这篇文章更像是一篇工程导向、结果导向的应用研究，而不是一篇专门在模型结构上做创新的机器学习论文。这个定位其实也和会议场景比较一致。
十、一个简短总结
如果用一句话概括，这篇文章就是：
在乌兰巴托这样一个极寒城市的区域供热系统中，作者用历史负荷与温度等变量构建了一个 ANN 预测模型，并证明它在日峰值热负荷预测上优于传统回归方法。
它最值得记住的不是“用了 AI”这件事本身，而是：
当问题具有明确物理背景、稳定时间结构和真实工程价值时，哪怕方法并不复杂，做扎实的建模和比较也能产生很有意义的结果。
参考引用信息
Luvsandorj, B., Khaltar, E., Tserendorj, T. (2026). Application of Artificial Intelligence Algorithms for Estimation Daily Peak Load of District Heating System in Ulaanbaatar. In: Lee, G.M., Siano, P. (eds) Intelligent Technology for Power and Energy Systems: Proceedings of the 2025 International Symposium on Intelligent Technology for Power and Energy Systems. Lecture Notes in Networks and Systems, vol. 1815, pp. 76–85. Springer, Cham. DOI: https://doi.org/10.1007/978-3-032-16841-2_7
会议网站
ITPES 官方网站：https://itpes.org/
