《IEEE Access》：Data-Driven Load Prediction for Hospitals: Evaluating ML Models for Energy Management
编辑推荐：
本文针对医院电力负荷预测的可靠性需求，评估了七种机器学习模型（MLP、XGBoost、RF、SVR、LSTM、CNN-LSTM、Transformer）在长期负荷预测中的性能。研究结果表明，RF、XGBoost、CNN-LSTM和SVR模型表现优异，其中Transformer模型通过自注意力机制捕捉长期依赖关系，显著提升预测精度（RMSE=0.0434±0.0003，R2=0.8799±0.0004），并实现能耗降低10-15%，为医疗能源管理提供了创新解决方案。
随着医疗设施的不断扩展和能源需求的日益增长，医院电力负荷的可靠预测成为保障医疗安全的关键环节。电力中断可能导致生命支持设备停摆，进而引发患者死亡。传统方法如自回归积分滑动平均模型（ARIMA）虽在短期预测中表现良好，但难以应对医院环境中非线性、动态变化的负荷特征，如暖通空调（HVAC）系统、医疗设备及突发事件的复杂影响。因此，开发能够精准预测长期电力负荷的模型具有重要现实意义。
本研究基于一年期医院实际负荷数据，系统评估了多层感知机（MLP）、极端梯度提升（XGBoost）、随机森林（RF）、支持向量回归（SVR）、长短期记忆网络（LSTM）、卷积神经网络-长短期记忆网络（CNN-LSTM）及Transformer共七种机器学习与深度学习模型。通过均方根误差（RMSE）、平均绝对误差（MAE）、平均绝对百分比误差（MAPE）和决定系数（R2）等指标综合评价模型性能。
关键方法概述
研究采用真实医院一年期负荷数据，通过对比七种模型（MLP、XGBoost、RF、SVR、LSTM、CNN-LSTM、Transformer）的预测精度，以RMSE、MAE、MAPE、R2为评估指标，并利用Friedman检验与Wilcoxon符号秩检验进行统计验证。
模型性能比较
实验结果显示，RF、XGBoost、CNN-LSTM和SVR模型整体优于Transformer模型，其RMSE为0.0434±0.0003，R2达0.8799±0.0004。LSTM与MLP模型表现相近（RMSE=0.0436，R2=0.8792）。Transformer模型凭借自注意力机制捕捉长期依赖关系，在能耗预测中展现创新性。
收敛性分析
损失曲线表明模型训练稳定，验证损失在25-35轮后趋于平稳，未出现过拟合。20次独立试验的方差分析进一步证实模型收敛一致性。
统计显著性检验
Friedman检验（χ2>45，p<0.0001）与Wilcoxon符号秩检验（经Holm校正后p<0.0005）表明Transformer模型性能显著优于其他模型，而LSTM与MLP模型无统计学差异（p>0.05）。
结论与意义
本研究提出的Transformer模型通过自注意力机制有效提升医院长期负荷预测精度，为医疗能源管理提供可靠工具。该模型可降低能耗10-15%，优化资源配置，对保障医疗设备连续运行、降低患者死亡率具有重要实践价值。研究成果发表于《IEEE Access》，为智慧医疗能源管理提供了新思路。
