综合能源系统多元负荷预测
CSP-Diff
弱相关并不等于无信息。相比硬阈值删选，连续耦合权重能够更完整地保留综合能源系统的物理状态。
电负荷 MAPE1.89%
冷负荷 MAPE3.76%
热负荷 MAPE0.66%
从硬筛选转向连续耦合先验
模型先用 Spearman 相关性衡量电、冷、热负荷对环境因素的依赖，再通过 Softmax 映射形成连续权重矩阵。强耦合变量承担主导信息，弱耦合变量仍以较小权重保留。
无条件 S4 骨干，推理阶段注入约束
S4 序列模型作为扩散去噪骨干，通过无条件训练学习负荷数据的长程依赖与高维联合分布。推理阶段将耦合权重写入能量函数，构造无需额外分类器的观测自引导项，以梯度动态修正反向采样轨迹。
在三类负荷上验证精度与形态一致性
亚利桑那州立大学 IES 数据集实验中，电、冷、热负荷 MAPE 分别达到 1.89%、3.76% 与 0.66%。预测曲线在波峰和波谷等关键转折处保持较好的拟合。
结论适用范围
当前验证集中在单一 IES 场景，跨气候区域和系统类型的泛化仍需更多数据集检验。输入以历史负荷与气象因素为主，尚未覆盖实时价格、需求响应等因素；扩散模型的多步采样也限制了毫秒级控制场景中的工程效率。