基于结构保持替代数据的强制停运信息在时空GNN短期发电预测中的预测贡献分解：面向波兰竞价区的滚动原点评估

《Energies》：Systematic Review and Bibliometric Analysis of Approaches to Improving Energy Efficiency and Reducing Emissions in Transport

　　

已报告的强制停运可能为短期发电预测提供与预测相关的信息。本研究检验其在时空图神经网络（GNNs）中的预测贡献能否与增加一个输入通道的一般性效应相区分。研究采用滚动原点设计，对波兰2022—2024年12个季度的ENTSO-E逐小时数据进行评估，每季度使用八个随机种子和四种架构。替代数据控制设计将传统消融对比分解为信息分量与通道分量。合并后的信息分量为0.77 MW（95%置信区间[?0.60, 2.15]），通道分量为?1.52 MW（95%置信区间[?3.16, 0.11]）；两者在各季度间均存在显著变化。在信息匹配和同等调参条件下，任何图架构与无图Temporal Fusion Transformer均无显著差异。然而，由于停运消息的原始发布时间无法重建，研究结果不能证明停运信息在相应预测原点时已可获得，也不能证明其在实时条件下具有预测价值。本研究仅评估预测精度，未评估运行效应。

研究背景方面，能源部门是国民经济的核心组成部分，在欧盟Fit for 55立法包和REPowerEU计划的推动下，电力系统正经历从化石燃料向可再生能源的持续转型。非可调度发电占比的上升增加了系统平衡的复杂性，对输电系统运营商（TSOs）开展的短期发电预测提出了更高要求。2021至2024年间，波兰电力系统风电和光伏在平均发电量中的占比从12.3%上升至26.5%。在常规发电机组强制停运期间，预测任务尤为艰巨。强制停运属于非计划事件，其信息依据欧盟第1227/2011号条例（REMIT）披露并通过ENTSO-E透明度平台发布。对波兰竞价区2023年数据的分析表明，在全部小时中的98.2%（8760小时中的8601小时）至少有一台发电机组的可用容量因强制停运而减少至少100 MW。硬煤贡献了系统平均发电量的42.6%，累计有8472小时存在至少一次活跃的强制停运。大规模发电损失可能改变发电与需求之间的短期平衡，因此强制停运信息或可为1—24小时尺度的短期发电预测提供额外输入。图神经网络（GNNs）已广泛用于具有空间结构的时间序列预测，并在能源领域应用于电力系统负荷预测和短期风速预测。扩散卷积循环神经网络（DCRNN）和Graph WaveNet等架构利用互联或相关时间序列之间的空间依赖关系，其图结构通常源自历史关系、地理信息或学习到的表示。这引出了一个更具体的问题：近实时报告的操作事件（如强制停运）是否包含仅凭历史空间结构无法捕获的预测信息。尽管强制停运通过电力市场透明度机制明确报告，但其在时空GNN短期发电预测中的预测价值仍未充分确立。特别是，有必要将所报告停运信息的真实贡献与仅由提供额外输入通道所引起的表观改善区分开来。传统的特征消融设计无法完全解决这一问题：将含额外变量的模型与不含该变量的模型进行比较，只能确定增强设定是否表现不同，而不能确定观测到的差异是否归因于所添加变量所编码的信息。额外通道本身可能影响模型优化、正则化或对随机初始化的敏感性，即使该通道不包含与预测目标相关的信息。因此，更严格的评估需要一种控制手段，在保留额外通道统计特性的同时破坏可能使该通道具有预测性的时间关系。这一区分对于操作事件数据尤为重要，因为所报告的停运具有时间结构、强自相关性且在不同发电类型间存在异质性。统计匹配的替代数据因此可以提供比传统特征消融更严格的反事实对照：它保留了处理额外通道的负担，同时消除了其与预测目标的时间对齐。在将预测内容归因于单个输入方面，已有多种方法族系。置换重要性衡量拟合模型在某一输入值被置换时误差的增加，其条件变体限制置换以保持输入间的依赖关系。由于模型不重新训练，置换后的输入可能迫使模型外推到训练分布之外。留一协变量设计在不含被测输入的情况下重新训练模型，移除并重训练基准则在重训练前将最重要的输入替换为无信息值。Model-X knockoffs和影子特征将输入的合成或置换副本添加为变量选择的参照。与本文采用的设计最接近的方法是将被测输入替换为置换副本并重新训练模型，使两个比较模型接收相同维度的输入。然而，置换副本不保留时间序列的时间依赖性，而替代数据方法正是为构造在保留观测序列选定特性的同时破坏被测特性的零序列而开发的。所报告的强制停运具有强自相关性且在不同发电类型间共变，因此破坏该结构的副本在不止与发电对齐这一方面与所报告序列存在差异。最后，在随机时空预测模型中，对时间结构化的操作事件序列的预测内容进行归因存在研究空白，本文通过基于结构保持替代数据的重训练设计填补了这一空白。研究目的是确定所报告的强制停运是否为时空模型的短期发电预测提供预测信息，并识别该信息在何种条件下有助于预测性能，重点在于区分信息特异性效应与添加额外输入通道的一般性影响。分析聚焦于表示损失发电容量大小的外生停运通道，并通过受控消融和替代实验评估其贡献。研究分析波兰竞价区2020年11月至2024年12月的逐小时发电和强制停运数据，采用覆盖12个季度的滚动原点评估，以Graph WaveNet为主要架构、季节朴素模型为参照，DCRNN和STCN以及Temporal Fusion Transformer在其中六个季度（每年第一和第三季度）上添加。研究使用配对随机种子、深度集成、移动块自助法推断、跨折随机效应元分析以及替代停运序列，以区分时间对齐的停运信息的贡献与模型初始化和添加任意输入通道相关的变异。因此，本研究主要将强制停运视为外生信息通道，检验其预测贡献是否源于所报告容量损失与发电的时间对齐，而非图拓扑的变化。

研究人员开展了一项受控计算实验，操纵因素为外生强制停运输入通道的内容：无通道、所报告停运序列或该序列的替代数据。实验在覆盖三个日历年的滚动预测原点和配对随机种子上重复。所有比较架构接收相同输入信息和相同超参数搜索预算，以避免架构比较与调参努力或输入规格混淆。主要对比（Graph WaveNet在波兰竞价区上所报告停运序列与旋转替代数据的对比）在评估前预先声明，其余对比构成次要族系并进行族系误差校正。数据全部来自ENTSO-E透明度平台，包括按生产类型划分的实际发电量、生产和发电机组不可用情况（作为REMIT下的紧急市场消息发布）以及按生产类型划分的装机容量。选择波兰竞价区的原因有三：发电结构仍以易发生大规模强制停运的常规火电机组为主；作为单一竞价区运营，发布的发电聚合数据指向一致的市场区域；平台发布了2020—2024年完整发电序列，允许评估12个连续季度。每个生产类型构成图的一个节点，共N=11个节点，所有折中节点集相同。原始不可用消息经四步过滤：仅保留描述非计划或强制不可用的消息并删除取消或撤回状态的消息；计算每条消息的不可用容量为机组额定容量与事件期间可用容量之差；仅保留不可用容量至少100 MW的消息；对同一发电机组的重叠消息按每小时取最大不可用容量合并。过滤后的事件扩展为逐小时不可用容量矩阵。基础邻接矩阵基于发电时间序列间的统计依赖构建，因生产类型不具备与应用架构原始提出场景可比拟的物理互联拓扑。构建过程为：在各折训练期上分别计算每对节点发电序列的成对绝对Pearson相关系数；为每个节点选择k=4个最相关邻居得到有向k近邻图；对称化为A=max(A,AT)；添加自环。停运信息以额外输入通道提供，内容为节点不可用容量除以其对应生产类型的装机容量。比较三种输入规格：无停运通道、所报告停运通道和停运通道的替代数据，三者图结构相同。替代数据为在一折的完整停运序列中进行循环移位，偏移量对每个随机种子独立抽取，精确保留不可用容量的边际分布、各节点序列的自相关性以及节点间共变，仅破坏停运与发电之间的时间对齐。传统特征消融对比Δabl=L(?)?L(X)精确分解为Δabl=Δinfo+Δch，其中Δinfo=L()?L(X)为信息分量，Δch=L(?)?L()为通道分量。每个节点在每个时间步由六个外生特征描述，时间协变量采用正弦和余弦变换以保持小时和年日的周期连续性。检验了三种GNN架构和两个参照：DCRNN代表循环族系，Graph WaveNet为主要架构，结合时间维膨胀因果卷积与使用供给邻接矩阵和自适应邻接矩阵的图卷积；STCN为无自适应邻接机制的时空卷积网络；Temporal Fusion Transformer为非图深度学习参照；季节朴素模型构成下界。评估采用滚动预测原点，每折包括12个月训练期、紧邻测试期前的2个月验证期和一个日历季度的测试期，测试期为2022年第一季度至2024年第四季度的12个季度。每个架构获得相同超参数搜索预算：Optuna中Tree-structured Parzen Estimator的30次试验，目标为第一折验证期上的验证MAE（MW）。搜索仅使用第一折的训练和验证期，且在无停运通道的规格上进行，使所选配置不偏向停运通道。在每个折的测试期上以MAE为主要评估指标，RMSE为补充指标，并计算按预测步长分解的MAE。推断在三个层面进行：折内对一种规格的所有训练种子集成在测试期上评估，两规格间差异采用移动块自助法检验（块长48小时，2000次重复）；跨折采用随机效应元分析合并折估计，得到合并差异的95%置信区间和95%预测区间；在随机种子层面，各折各种子的单模型误差配对差异进入以折为随机截距的线性混合模型。主要对比在5%水平上无校正检验，次要族系（五个对比）采用Holm程序控制族系误差率。完整流程以Python 3.10实现，环境由pixi包管理器管理的锁文件声明，实验配置由Hydra配置组声明，每次训练运行将配置、指标和测试预测存储在单独记录文件中，超参数搜索记录于Optuna研究数据库。

研究结果方面，第一，跨折的信息分量与通道分量。Graph WaveNet三种输入规格的对比合并12折后，信息分量（接收旋转替代数据的配置与接收所报告停运序列的配置之间的MAE差异）为0.77 MW，95%置信区间[?0.60, 2.15] MW（p=0.270）；传统消融对比为?0.76 MW[?2.43, 0.92]，通道分量为?1.52 MW[?3.16, 0.11]。合并估计在舍入范围内满足分解关系。合并估计掩盖了运行期之间的强异质性：所有三个对比的I2统计量均超过94%，即折估计的变异主要由折间差异而非抽样误差主导；信息分量在新季度预期效应的95%预测区间为?4.73至6.27 MW。信息分量在预测原点层面上于七折中为正且显著，在三折（2022Q2、2022Q4和2023Q2）中为负且显著，在两折中无法与零区分；折估计范围为2023Q2的?3.31 MW至2023Q3的6.31 MW。分解揭示了传统消融对比不足以评估停运信息的原因：在2022Q1、2022Q3和2023Q1，接收所报告停运的配置显著不如无通道配置准确（分别为?4.79、?3.86和?1.80 MW），但显著优于接收替代数据的配置（分别为1.54、2.62和1.67 MW）；在这些折中，所报告序列携带的信息被额外通道的更大成本（分别为?6.33、?6.47和?3.47 MW）所抵消。在2023Q3，通道分量较小（?1.41 MW），消融对比（4.89 MW）接近信息分量。在随机种子层面，96个单模型误差配对差异在线性混合模型中得出信息分量0.50 MW（标准误0.69 MW，p=0.474）、消融对比?0.79 MW（p=0.345）和通道分量?1.29 MW（p=0.128）；经Holm校正后，Graph WaveNet的两个次要对比均不显著（p=1.000和p=0.270）。第二，随机种子间的离散度。八个种子的集成将单模型平均误差降低7.5至7.7 MW，每种规格比季节朴素参照准确63至65 MW。单模型误差跨种子的标准差在各折上平均为：无停运通道4.48 MW、有所报告通道4.74 MW、有替代数据5.00 MW，跨折和规格范围为1.85至8.79 MW。因此停运通道并未降低训练模型跨初始化的离散度。该离散度与折级对比处于同一数量级，这就是每个对比均从集成估计并在种子上重复的原因。第三，信息匹配和同等调参下的架构比较。在匹配块的六个折上，无停运通道时DCRNN取得最低集成MAE（258.88 MW），其次为TFT（263.79 MW）、STCN（272.97 MW）和Graph WaveNet（273.39 MW）。没有任何图架构与无图TFT的置信区间排除零：合并差异范围为?9.90至4.23 MW，有停运通道时同样如此。四种架构均比季节朴素参照（这些折上MAE为332.84 MW）更准确。停运通道的消融对比在不同架构间存在差异：对STCN，有停运通道的配置比无停运通道的配置准确1.48 MW[0.53, 2.43]，经Holm校正后仍显著（p=0.011），跨折异质性可忽略（I2=0%）；对DCRNN（?0.59 MW[?2.10, 0.92]）和TFT（0.51 MW[?1.33, 2.35]），对比无法与零区分（校正后p均为1.000）。替代臂仅为Graph WaveNet训练，因此其他架构的消融对比未分解为信息分量和通道分量。

讨论部分总结如下。主要发现是所报告强制停运对短期发电预测的预测贡献在各运行期之间不稳定。合并12个季度，信息分量为0.77 MW且无法与零区分，而季度级估计范围为?3.31至6.31 MW，新季度的预测区间包含两种符号的效应。因此单一时间顺序划分可能产生显著增益、显著损失或无效应，取决于其覆盖的季度。这一发现与当序列特性随时间变化时应在多个预测原点上评估预测程序的建议一致。消融对比的分解在此异质性下仍具信息量：在三个季度中，与无通道配置的传统比较表明显著损失，而与旋转替代数据的比较表明显著增益；仅限传统消融的分析会在这些季度得出停运信息有害的结论，而损失源于额外通道。本研究设计未识别决定任一分量大小的季度特性；2022—2024年间发电结构、停运强度和供给条件均发生变化，其作用仍有待考察。折级效应的量级值得与相关文献比较：信息分量在各季度间为参照误差的?1.15%至2.27%。这一量级的改善在时空图模型的架构修改中常被报告，通常基于一到三次训练运行且未进行多重比较校正。本结果表明，每季度八个种子时，这一量级的效应在季度内可被精确估计但在季度间改变符号；运行期之间的变异而非仅初始化之间的变异决定了此类效应能否泛化。在信息匹配和同等调参下，图架构并不比无图Temporal Fusion Transformer更准确，因此本结果不支持静态相关图改善生产类型发电预测的主张。这与无显式空间结构的注意力模型在国家逐小时发电序列上具有竞争力的证据一致。停运通道的消融对比仅对STCN（无自适应邻接矩阵的架构）为正且显著，对DCRNN、TFT和Graph WaveNet无法与零区分。由于替代臂仅为Graph WaveNet训练，本研究设计无法确定STCN结果反映的是停运序列的信息还是该架构中额外通道的较小成本。单模型跨种子的离散度与深度学习文献中的更广泛关切相关：训练模型对随机种子的敏感性在计算机视觉中已有记录，在测试集方差中已被量化，并被认定为对基准结论有效性的威胁；深度集成是标准补救措施。在本数据中，跨种子离散度平均为4.48至5.00 MW，与季度级对比处于同一数量级，且未被停运通道降低。因此，预测配置的比较只有在说明种子数、集成成员数和测试期数时才完全确定。实践意义方面，结果涉及预测层。停运通道的贡献以短期发电预测平均绝对误差的差异（MW）衡量，分析未评估任何使用这些预测的决策。因此，结果不能证明对备用容量确定、调度、系统安全或经济性能的益处，单模型跨随机初始化的离散度是训练过程的特性，而非运行可靠性的度量。短期发电预测作为调度的输入进入运行程序。在综合能源系统中，互联电力、热力和天然气资源的调度日益采用分布式和协作式能量管理算法求解，参与单元交换信息并迭代趋向协调调度。此类调度的日前和滚动时域公式以可再生能源发电和负荷预测为输入，并在这些输入变化时重新求解。加速分布式算法缩短了此类变化后达到协调调度所需的时间。所报告的强制停运即是此类输入变化，使用所报告不可用性的预测模型可在消息发布后立即向调度层提供更新的发电预测。然而，本文测量的预测差异（合并主要对比为0.77 MW，单季度为?3.31至6.31 MW）是否转化为协调调度、备用需求或系统成本的变化取决于调度模型和预测误差成本，本文未予考察。因此这些意义仍是前瞻性的而非经实证证明的。本研究确立的实用价值是方法论的：当操作事件序列作为随机预测模型的输入被评估时，与无通道配置的比较可能掩盖序列携带的信息，因为通道本身改变了训练模型；替代数据控制设计分离了两个分量，任何能获取相同公共数据的预测者均可应用。局限性包括：图的节点为生产类型而非发电机组，将机组聚合为11种类型消除了停运在输电网内位置的信息；每条停运消息首次公开的时间无法从平台重建，因为仅发布消息的最新修订版，且大多数2021—2024年消息的创建时间戳于2025年10月重新发布，停运通道由所报告事件区间构建，因此可能包含预测原点之后发布的信息；评估限于波兰竞价区，向不同发电结构竞价区的泛化未确立；评估覆盖2022—2024年12个季度，该期间之外的运行机制（如2021—2022年燃料价格上涨之前的年份）未被代表，架构比较仅覆盖第一和第三季度，第二和第四季度仅在主要块中代表；强制停运事件的操作定义（每机组重叠消息合并后不可用容量至少100 MW）可能与其他研究使用的定义不同，限制了事件绝对数量的直接可比性；旋转替代数据为序列中的循环移位，直接源自循环移位替代数据分布的检验并非精确检验，本文中替代数据作为重训练控制臂，推断依赖于块自助法和混合模型。未来研究应在发电机组和网络节点层面而非聚合生产类型层面考察停运信息的效应；预测层应与分布式调度和协作式能量管理模型耦合，以确定测量量级的预测差异是否改变调度、备用需求或系统成本；基于归档消息版本重建每个预测原点可获得的信息将消除发布时间限制；替代数据控制设计可应用于REMIT下发布的其他操作事件序列，如输电中断。结论部分翻译如下：本文检验了所报告的强制停运在作为外生输入通道提供给时空图神经网络时，是否包含短期发电预测的预测信息。波兰竞价区2020年11月至2024年12月的逐小时数据取自ENTSO-E透明度平台，评估采用滚动原点设计覆盖2022—2024年12个季度，在同等超参数搜索预算下训练了三种图架构和一个非图参照，并在每年第一和第三季度比较了相同输入。考虑到图神经网络中初始化噪声的影响，评估以深度集成为锚，推断在预测原点层面采用移动块自助法、跨折采用随机效应元分析、随机种子层面采用线性混合模型进行；次要对比的族系误差率由Holm程序控制。合并12个季度，以停运序列的时间旋转替代数据为参照测量的信息分量为0.77 MW，95%置信区间[?0.60, 2.15]；通道分量为?1.52 MW[?3.16, 0.11]；传统消融对比为?0.76 MW[?2.43, 0.92]。季度级信息分量范围为?3.31至6.31 MW，新季度的预测区间[?4.73, 6.27] MW包含两种符号的效应。在信息匹配和同等调参下，没有任何图架构与无图Temporal Fusion Transformer存在显著差异。停运通道的消融对比经Holm校正后仅对STCN为正且显著（1.48 MW[0.53, 2.43]）。本文的方法论贡献在于将传统特征消融对比分解为信息分量和通道分量，并在配对随机种子和滚动预测原点下以结构保持的时间替代数据估计。其新颖性基于替代数据保留了操作事件序列的边际分布、自相关性和跨节点共变，这与现有重训练设计中使用的置换副本形成对比。在分析的12个季度中，分解表明所报告停运对预测精度的贡献随时期变化，因此单一划分的消融可能掩盖或夸大这一贡献。然而，由于停运消息的原始发布时间无法重建，结果不能确定该信息在相应预测原点时是否可获得，也不能确定其在实时条件下是否具有预测价值。研究结果限于预测层、波兰竞价区、2022—2024年期间和所考察的架构。本研究未评估调度、备用容量确定、发电调度、系统安全或成本，不主张任何运行效益。