综述：净负荷预测的综合文献回顾

（编辑推荐）本文系统综述了可再生能源高渗透电网中的净负荷预测（NLF）技术，对比了直接与间接预测策略的优劣，指出高分辨率数据对超短期预测的关键作用，并强调机器学习（ML）和混合方法在提升精度中的核心价值。为电网运营商平衡供需提供了重要技术参考。

　　

引言

随着国际能源署（IEA）预测可再生能源占比将从2022年的29%升至2025年的35%，欧洲绿色新政（EGD）进一步推动碳中和目标，电网负荷预测面临从传统负荷转向净负荷预测（Net Load Forecasting, NLF）的变革需求。NLF通过整合可再生能源（RES）的波动性发电数据，成为优化电力供需平衡、降低基础设施投资风险的关键技术。

文献综述

策略分类：NLF方法分为直接法（单模型预测净负荷）和间接法（分别预测负荷与RES发电后求差）。研究表明，间接法虽需多模型协同，但精度普遍优于直接法。数据分辨率对预测效果影响显著：超短期（5分钟级）依赖高分辨率数据，而中长期（60分钟级）可放宽要求。

技术路径：

1. 机器学习主导：人工神经网络（ANN）、长短期记忆网络（LSTM）等ML模型通过捕捉非线性关系提升精度；

2. 混合方法崛起：如灰色系统理论（GST）与随机森林（RF）结合，弥补单一模型对数据缺失的敏感性；

3. 数据预处理：针对RES的间歇性，采用k近邻（k-NN）、预测均值匹配等技术修复缺失值。

性能影响因素

• 关键参数：历史净负荷与常规负荷数据最具预测价值；

• 挑战：天气/经济等外生变量、RES波动性及数据质量缺陷需通过特征选择与降维处理；

• 应用场景：超短期预测用于实时能源调度，中长期则服务于电网扩建规划。

未来方向

建议开发融合物理模型与数据驱动的混合算法，并建立标准化NLF评估框架。当前研究缺口包括跨区域数据共享机制与边缘计算在实时预测中的应用探索。

结论

NLF技术是支撑高RES占比电网稳定运行的核心工具。间接策略与ML方法的结合展现了最优潜力，而数据质量与分辨率的选择需严格匹配预测时限需求。该领域需进一步聚焦于算法轻量化与多源异构数据融合。

（注：全文严格基于原文缩编，未新增观点或数据。）