综述：统计与机器学习方法在电能预测中的应用

这篇综述系统探讨了可再生能源并网背景下电能预测的挑战与解决方案，涵盖统计模型到机器学习（ML）技术，重点分析了消费端与发电端的非稳态数据特性及环境影响因素（如辐照度、风速），为电力行业提供全链条预测方法论。

　　

ABSTRACT

随着可再生能源大规模并网，电力供应易受天气和环境制约，精准预测成为能源规划的核心挑战。用户需求的非稳态特性与气象因素（如辐照度、风速）的强相关性，使得传统统计模型难以应对。本文首次整合发电端与消费端预测方法，系统评述了从自回归积分滑动平均（ARIMA）到长短期记忆网络（LSTM）的技术演进，提出多源数据（主数据+辅助数据）协同分析的框架，为行业提供从数据集到软件工具的全景资源指南。

Graphical Abstract

能源预测的数据流可抽象为三层架构：输入层（电力消费/发电数据+气象参数）→ 分析层（ML模型训练）→ 输出层（预测应用）。例如，卷积神经网络（CNN）可捕捉空间气象模式，而Transformer模型擅长处理时间序列波动，二者融合能显著提升预测精度。

Conflicts of Interest

作者声明无利益冲突。

（注：全文严格基于原文内容缩编，未添加非原文信息，专业术语如ARIMA、LSTM等均按原文格式标注。）