基于结构保持替代序列的受控时空预测研究：报告强迫停运对短期发电预测的预测信息评估

《Energies》：Predictive Information in Reported Forced Outages for Short-Term Power Generation Forecasting: A Surrogate-Controlled Spatio-Temporal Forecasting Study

　　

报告的强迫停运（forced outages）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（Graph Neural Networks, 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（rolling-origin design）、每季度八个随机种子及四种架构，对波兰2022—2024年共12个季度的ENTSO-E小时级数据进行评估。替代序列控制设计（surrogate-controlled design）将常规消融对比（ablation contrast）分解为信息分量（information component）与通道分量（channel component）。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]）；二者在各季度间均存在显著差异。在信息匹配与等量调优条件下，任何图架构与无图结构的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，研究结果不能确立停运信息在相应预测原点（forecast origins）处可得，亦不能确立其在实时条件下具有预测价值。本研究仅评估预测精度，未评估运行层面效应。

研究背景方面，能源部门是国民经济的核心组成部分并影响其他经济部门的表现，欧盟在Fit for 55立法包与REPowerEU计划的推动下正经历从化石燃料向可再生能源的转型。非调度型发电占比的上升增加了系统平衡的复杂性，并对输电系统运营商（Transmission System Operators, TSOs）执行的短期发电预测提出了更高要求。2021至2024年间，波兰电力系统风电与光伏发电在平均发电量中的占比由12.3%上升至26.5%。在常规发电机组强迫停运期间，预测任务尤为艰巨。强迫停运属非计划事件，其信息依据《欧盟批发能源市场完整性与透明度条例》（REMIT）予以披露并通过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迫停运而减少至少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迫停运。大规模发电损失可能改变发电与需求之间的短期平衡，因此强迫停运信息或可为1—24小时视野的短期发电预测提供额外输入。图神经网络已被广泛用于具有空间结构的时序预测，并在能源领域应用于电力系统负荷预测与短期风速预测。DCRNN与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。这引出了一个更为具体的问题：近实时报告的运行事件（如强迫停运）是否包含历史空间结构本身未能捕捉的预测信息。尽管强迫停运通过电力市场透明度机制被明确报告，但其在时空GNN短期发电预测中的预测价值仍缺乏充分确立，尤其需要将报告停运信息的真实贡献与仅因提供额外输入通道所造成的表观改善区分开来。常规特征消融设计无法完全解决该问题：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立增强设定是否表现不同，而不能确定观察到的差异是否归因于所加变量所编码的信息。额外通道即使不含与预测目标相关的信息，也可能影响模型优化、正则化或对随机初始化的敏感性。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。既有多种方法族处理单个输入的预测内容归因，包括置换重要性、留一协变量设计、remove-and-retrain基准、Model-X knockoffs与影子特征等。与本研究采用的设计最接近的是将受测输入替换为置换副本并重新训练模型，使两个被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受测特性的零序列而发展起来的。报告的强迫停运具有强自相关并在各生产类型间共变，因此破坏该结构的副本在多于其与发电对齐性的方面与报告序列不同。现有研究存在关于随机时空预测模型中时间结构化的运行事件序列预测内容归因的研究空白，本文以基于结构保持替代序列的重新训练设计填补该空白。研究目标是确定报告的强迫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增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幅度的外生停运通道，并通过受控消融与替代序列实验评估其贡献。研究分析波兰竞价区2020年11月至2024年12月的小时级发电与强迫停运数据，在12个季度的滚动原点评估中以Graph WaveNet为主要架构、以季节朴素模型为参照，并在其中六个季度（每年第一与第三季度）加入DCRNN、STCN与Temporal Fusion Transformer。研究使用配对随机种子、深度集成（Deep Ensembles）、移动块自助法（moving-block bootstrap）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贡献与模型初始化及增加任意输入通道相关的变异。研究因此主要将强迫停运视为外生信息通道，并检验其预测贡献是否源于报告容量损失与发电的时间对齐而非图拓扑的改变。研究设计为受控计算实验，操纵因素为外生强迫停运输入通道的内容：无通道、报告停运序列或该序列的替代序列；实验在覆盖三个日历年度的滚动预测原点与配对随机种子上重复；所有被比较架构接收相同输入信息与相同超参数搜索预算，使架构比较不受调优努力或输入设定的混淆。主要对比（波兰竞价区Graph WaveNet的报告停运序列对旋转替代序列）在评估前即已声明，其余对比构成经族系误差校正的次要族系。数据全部来自ENTSO-E透明度平台，该平台依欧盟第543/2013号条例运行，停运消息依REMIT披露，数据公开、跨竞价区标准化且具法律强制性，支持流程可复现性。下载的三套数据集分别为按生产类型划分的实际发电量（MW）、生产与发电机组不可用性（作为REMIT紧急市场消息发布）以及按生产类型划分的装机容量（提供停运通道的分母）。选择波兰竞价区的理由有三：该区发电结构仍以易发生大规模强迫停运的常规火电机组为主；该区作为单一竞价区运营，发布的发电聚合数据对应一致的市场区域；平台发布了该区2020—2024年完整发电序列，允许评估12个连续季度且每个训练期覆盖完整年度周期。测试季度覆盖2022—2024年，因此第一折训练期始于2020年11月；波兰区在2024年中期之前以小时分辨率报告发电，之后以15分钟分辨率报告，15分钟值被平均为小时值。平台报告的各电力生产类型构成图的节点，得到N=11个节点且各折节点集相同；“Other”与“Other renewable”两类因平台仅自2024年中期起为波兰区报告而被排除，因其在更早各折中会以零序列进入模型。发电结构由Fossil Hard coal与Fossil Brown coal/Lignite两个化石节点主导，二者合计贡献系统平均发电量的67.5%；相对变异性最高的是Solar（与该来源的非调度特性一致）与Hydro Pumped Storage（仅在部分小时发电）。原始不可用性消息包含计划检修与非计划事件，经四步过滤：仅保留描述非计划或强迫不可用性的消息并剔除状态为cancelled或withdrawn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的消息以剔除小规模事件；对涉及同一发电机组的重叠消息按每小时取该机组报告的最大不可用容量进行合并。过滤后的事件被扩展为不可用容量的小时矩阵L∈?^T×N，其中元素L_t,i为节点i在小时t的总不可用容量；若消息开始时间不晚于t且结束时间晚于t，则该消息在小时t活跃。同一生产类型各机组的不可用容量随后求和。在该时期每一年，至少一个节点在超过98%的小时内经历活跃强迫停运，因此停运通道是持续存在的外生输入而非稀有事件的指示变量。基础邻接矩阵A_base∈?^N×N由发电时间序列之间的统计依赖构造，因各生产类型不具备与所应用架构最初针对的道路网络或传感器网络可比拟的物理互联拓扑。构造分四步：在各折训练期上分别计算每对节点发电序列之间的成对绝对Pearson相关系数|ρ_ij|，使验证期与测试期不进入图；为每个节点i选取k=4个最相关邻居，得到有向k近邻（k-Nearest Neighbours, kNNs）图；以A=max(A,A^T)对称化矩阵；加入自环使每个节点i满足A_ii=1。选择k=4是因为经验观察到的依赖结构集中于少数强关系：在12折训练期中，Fossil Hard coal与Fossil Brown coal/Lignite之间的绝对相关系数范围为0.57至0.76，Fossil Gas与Fossil Hard coal之间为0.30至0.62。停运信息作为额外输入通道提供，包含按相应生产类型装机容量归一化的节点不可用容量，即L_t,i/C_i；装机容量取平台为该折测试期起始年份发布的值（在该期首次预测前已知），平台未发布该值时使用训练期的最大发电量；归一化使通道在不同规模的生产类型间可比。比较三种输入设定：无停运通道、报告停运通道与停运通道的替代序列，三者的图结构均为相同的静态基础邻接矩阵；初始设计中考虑的对存在活跃停运的节点关联边进行逐步掩码的方案未执行，本文不予评估。三种输入设定在相同架构、超参数配置、折与随机种子集合下进行比较；第一种接收无停运通道，第二种接收报告停运序列，第三种接收报告序列的替代序列；三种设定的期望测试误差记为L(?)、L(X)与L(X?)，期望对训练模型的随机初始化取。常规特征消融对比为Δ_abl=L(?)?L(X)，并精确分解为两个分量Δ_abl=Δ_info+Δ_ch，其中Δ_info=L(X?)?L(X)且Δ_ch=L(?)?L(X?)。分量Δ_info比较两个接收相同维度、尺度、边际分布与时间依赖的输入、仅在被替代序列破坏的特性上不同的模型；分量Δ_ch度量提供不携带该特性信息的额外通道的效应。无信息通道对随机深度学习模型并非中性，因其改变输入层的参数化、优化路径以及训练模型跨初始化的离散度；因此接近零的常规消融对比可能与正信息分量被负通道分量抵消相容，而正消融对比也可能与正通道分量及完全无信息相容。分解仅在替代序列保留报告序列除受测特性外所有特性的程度上识别Δ_info，替代序列的构造遵循该要求。替代序列是对一折完整停运序列的循环平移，偏移量对每个随机种子独立抽取；旋转精确保留不可用容量的边际分布、每个节点序列的自相关以及节点间共变，仅破坏停运与发电之间的时间对齐；偏移量被限制在距零与距序列长度各15%序列长度之外；由于每折长于一年，距整数年14天以内的偏移量会被重抽，因该偏移会恢复停运与发电的季节对齐。该设计的贡献并非新的变量重要性原理，而是将等维度替换与保留运行事件序列时间结构的替代序列相结合，并以配对随机种子跨滚动预测原点估计消融对比的两个分量；据作者所知，尚未有研究使用外生事件通道的结构保持时间替代序列进行重新训练来评估时空预测模型。文中报告的p值并非源自替代序列分布（其循环平移构造不产生精确检验），而是源自对预测原点的块自助法与跨折与种子的混合模型。每个时间步的每个节点由六个外生特征描述；时间协变量以正弦与余弦变换编码，以保留小时与一年中日期（day of year）的周期性连续；在无停运通道的设定中移除第一个特征，模型接收五个特征；所有模型（包括非图参照）接收相同输入信息：目标序列48小时历史、五个日历通道，以及在含停运信息的设定中该节点的停运通道；日历通道以协调世界时（Coordinated Universal Time, UTC）计算。研究考察三种GNN架构与两个参照：GNN架构代表三类时空建模，即循环族、带自适应邻接矩阵的卷积族与不带该矩阵的卷积族；每个架构接收相同超参数搜索预算与相同输入信息，使架构间差异不受调优努力或输入设定的混淆。扩散卷积循环神经网络（Diffusion Convolutional Recurrent Neural Network, DCRNN）将空间依赖表示为双向扩散过程（即图上的截断随机游走），并将该算子与门控循环单元（Gated Recurrent Unit）隐藏状态相结合。Graph WaveNet为主要架构，将时间维度上的膨胀因果卷积与同时使用所提供邻接矩阵和由节点嵌入学习得到的自适应邻接矩阵的图卷积相结合。时空卷积网络（Spatio-Temporal Convolutional Network, STCN）为Torch Spatiotemporal库中的实现，将时间卷积与扩散图卷积交错，不含任何自适应邻接机制，因此完全依赖所提供图。Temporal Fusion Transformer（TFT）为非图深度学习参照，应用变量选择网络与多头时间注意力；它是权重跨节点序列共享的全局模型，不利用节点间结构；它接收日历通道与各节点停运通道作为历史外生输入，并与图模型在同一验证期上按基于步数的规则早停。季节朴素模型构成下界，对小时t的预测等于小时t?24（即一个昼夜周期）的观测发电量；该基线无需训练，是预测文献中的标准参照。评估使用滚动预测原点，以一个预测原点序列替代单一时间顺序划分，这是属性随时间变化的时序所推荐的设计。每折由12个月训练期、紧邻测试期之前的2个月验证期与一个日历季度的测试期组成；测试期为2022年第一季度至2024年第四季度的12个季度，包含2022年供应扰动（REPowerEU计划对此作出回应）以及波兰系统装机容量连续三年变化（平台2021与2024年发布值之间，硬煤机组装机容量由20925 MW降至18831 MW，燃气机组由2555 MW增至5162 MW）。仅当预测窗口整个24小时视野位于某期内时，该窗口才属于该期；因此无训练目标进入验证期，无验证目标进入测试期，而验证或测试预测的48小时输入窗口可包含更早观测，正如实际运行情形。基础邻接矩阵、目标缩放与停运分母均由各折测试期之前可得的信息计算。每个架构接收相同超参数搜索预算：Optuna中Tree-structured Parzen Estimator的30次试验，以及相同目标（第一折验证期上以MW计的验证MAE）；图模型以相同最大轮数与相同早停规则训练，不佳试验经中位数剪枝停止；在NeuralForecast中实现的TFT以优化步数而非轮数训练，其试验运行至完成。搜索仅使用第一折的训练与验证期，使任何测试期不进入选择，并在无停运通道的设定上进行，使所选配置不偏向停运通道；每个架构的所选配置随后在各折与各设定中不加更改地使用。目标变量被标准化，报告误差在评估前被变换回原始单位MW。预测在每个折的测试期上以MAE、RMSE与按时域分辨的MAE评估；MAE为主要评估指标，因其以预测目标的单位MW表示；RMSE作为补充指标，因其更强惩罚单个大误差，对发电量突变时期具有信息性；时域分辨MAE对预测视野的每一步分别计算，以描述精度随提前期增加而退化的情况。推断在三个层面进行：在折内，某设定的全部已训练种子集成（主要块中八个，架构比较中五个）在测试期上评估，两种设定之间的差异以移动块自助法在预测原点上检验，块长为48小时、重复2000次，应用于绝对误差的配对差异；由于相邻原点在24小时视野中的23小时重叠，单个原点的误差不独立。跨折层面，各折估计以随机效应元分析合并，给出带95%置信区间的合并差异以及预期于新季度的差异的95%预测区间；预测区间是跨运行工况稳健性的直接度量。随机种子层面，每折与每种子中单模型误差的配对差异进入以折为随机截距的线性混合模型；配对差异的数量为折数与种子数之积。主要对比在5%水平上不作校正地检验；次要族系由五个对比组成，即Graph WaveNet的常规消融对比与通道对比，以及DCRNN、STCN与TFT的消融对比；其族系错误率以Holm程序控制。信息匹配下的架构比较以描述性方式报告，即相对TFT的折级与合并差异，其余所有分析均作为探索性分析报告。实验矩阵中，主要块以八个随机种子在全部12折上重复Graph WaveNet的三种输入设定；信息匹配下的架构比较在每隔一折（即每年第一与第三季度，2022Q1至2024Q3）以五个随机种子覆盖DCRNN、STCN与TFT的含与不含停运通道两种设定；Graph WaveNet以其主要块在相同折与种子上的运行进入该比较。完整流程以Python 3.10实现；环境在由pixi包管理器管理的锁文件中声明，实验配置在Hydra配置组中声明，每次训练运行将其配置、指标与测试预测存储在单独记录文件中；超参数搜索记录在Optuna研究数据库中；这些记录用于计算每一个报告数值，并支持分析的可复现性。研究得出以下结论：在12折上合并后，信息分量（即接收旋转替代序列的配置与接收报告停运序列的配置之间MAE之差）为0.77 MW，95%置信区间为[?0.60, 2.15] MW（p=0.270）；常规消融对比为?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。合并估计掩盖了跨运行期的强异质性：对全部三个对比，I²统计量超过94%，即折估计的变异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于七折为正且显著，于三折（2022Q2、2022Q4与2023Q2）为负且显著，于两折不可与零区分；折估计范围为2023Q2的?3.31 MW至2023Q3的6.31 MW。分解表明常规消融对比为何不足以评估停运信息：在2022Q1、2022Q3与2023Q1，接收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与?1.80 MW），而显著优于接收替代序列的配置（分别为1.54、2.62与1.67 MW）；在这些折中，报告序列携带的信息被额外通道更大的成本（分别为?6.33、?6.47与?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，单模型误差的96个配对差异在线性混合模型中给出信息分量0.50 MW（标准误0.69 MW，p=0.474）、消融对比?0.79 MW（p=0.345）与通道分量?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与p=0.270）。关于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，每种设定均比季节朴素参照准确63至65 MW；跨种子单模型误差的标准差在折上平均为无停运通道时4.48 MW、报告通道时4.74 MW、替代序列时5.00 MW，跨折与设定范围为1.85至8.79 MW；停运通道因此未降低训练模型跨初始化的离散度；该离散度与折级对比同量级，这就是每个对比均从集成估计并在种子上重复的原因。关于信息匹配与等量调优下的架构比较，在匹配块的六个折上，所有架构接收相同搜索预算与相同输入；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）与Graph WaveNet（273.39 MW）；没有任何图架构与无图TFT的差异达到置信区间排除零的程度：合并差异范围为?9.90至4.23 MW，含停运通道时亦然；四种架构均比季节朴素参照（在这些折上MAE为332.84 MW）更准确。停运通道的消融对比在各架构间不同：对STCN，含停运通道的配置比不含者准确1.48 MW [0.53, 2.43]，该对比经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]）与TFT（0.51 MW [?1.33, 2.35]），该对比不可与零区分（校正后p均为1.000）；替代序列臂仅对Graph WaveNet训练，因此其他架构的消融对比未分解为信息与通道分量。讨论部分指出，修订评估的主要发现是报告强迫停运对短期发电预测的预测贡献跨运行期不稳定：在2022—2024年12个季度上合并后，信息分量为0.77 MW且不可与零区分，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依其所覆盖季度而产生显著增益、显著损失或无效应。该发现与当序列属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；需求预测中也曾报告依赖工况的预测误差，其中误差在高变异性时期被单独分析；本研究将该观察从模型误差扩展到单个输入的预测价值。在该异质性下，消融对比的分解仍具信息性：在三个季度，与无通道配置的常规比较表明显著损失，而与旋转替代序列的比较表明显著增益；仅限常规消融的分析在这些季度会得出停运信息有害的结论，而损失实际源于额外通道。本设计未识别决定任一分量大小的季度属性；发电结构、停运强度与供应条件在2022—2024年间发生变化，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被常规报告，通常基于一至三次训练运行且未作多重比较校正；本结果表明，每季度八个种子时，该量级效应在季度内被精确估计但在季度间变号；不仅初始化间变异，运行期之间的变异决定此类效应能否泛化。在电力价格文献中，报告停运容量是标准基本面输入；本结果涉及不同目标（各生产类型的发电量），并限于所考察区域、时期与模型。在等量超参数搜索预算与相同输入下，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论断，这与无显式空间结构的基于注意力的模型在国家小时级发电序列上具竞争力的证据一致。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与Graph WaveNet不可与零区分；由于替代序列臂仅对Graph WaveNet训练，本设计不能确立STCN结果反映的是停运序列的信息还是该架构中额外通道较小的成本。单模型跨种子的离散度关联到深度学习文献中的更广泛关切：训练模型对随机种子的敏感性已在计算机视觉中被记录、在一般意义上对测试集方差被量化，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手段；在本数据中，跨种子离散度平均为4.48至5.00 MW，与季度级对比同量级，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、集成成员数与测试期数时才完全明确。关于实际意义，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之差（MW）度量，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、系统安全或经济绩效的益处，且单模型跨随机初始化的离散度是训练过程的属性而非运行可靠性的度量。短期发电预测作为调度程序的输入进入运行流程；在综合能源系统中，互联电力、热力与天然气资源的调度日益以分布式与协作式能量管理算法求解，其中参与单元交换信息并迭代趋向协调调度；此类调度的日前与滚动视野表述以可再生发电与负荷预测为输入，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时间；报告的强迫停运正是此类输入变化，使用报告不可用性的预测模型可在消息发布后即向调度层提供更新的发电预测；然而，本文测得的预测差异（合并主要对比中0.77 MW，单季度在?3.31至6.31 MW之间）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与预测误差成本，本文未予考察；这些意义因此仍是前瞻性的而非经验证明的。本研究确立的实际价值是方法论的：当运行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该序列携带的信息，因为通道本身改变了训练模型；替代序列控制设计分离两个分量，任何可获取相同公开数据的预测者均可应用。局限性包括：第一，图的节点是生产类型而非发电机组，将机组聚合为11种类型移除了停运在输电网内位置的信息。第二，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，且涉及2021—2024年的大多数消息的创建时间戳于2025年10月被重新发布；停运通道由报告的事件区间构建，因此可能包含预测原点之后发布的信息。第三，评估限于波兰竞价区，向不同发电结构竞价区的泛化未获确立。第四，评估覆盖2022—2024年12个季度，该时期之外的运行工况（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与第三季度，第二与第四季度仅在主要块中体现。第五，强迫停运事件的操作性定义（按机组合并重叠消息后不可用容量至少100 MW）可能不同于其他研究使用的定义，限制了事件绝对数量的直接可比性。最后，旋转替代序列是序列的循环平移，直接源自循环平移替代序列分布的检验并不精确；本文中替代序列作为重新训练的控制臂，推断依托块自助法与混合模型。未来研究应在发电机组与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；应将预测层与分布式调度及协作式能量管理模型耦合，以确定测得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得的信息将消除发布时间方面的局限；最后，替代序列控制设计可应用于REMIT下发布的其他运行事件序列，如输电停运。结论部分指出，本文考察了报告的强迫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。研究从ENTSO-E透明度平台获取波兰竞价区2020年11月至2024年12月的小时级数据，评估覆盖2022—2024年12个季度，采用滚动原点设计，在等量超参数搜索预算下训练三种图架构与一个非图参照，并在每年第一与第三季度比较相同输入。鉴于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以移动块自助法进行、跨折以随机效应元分析进行、在随机种子层面以线性混合模型进行；次要对比的族系错误率以Holm程序控制。在12个季度上合并后，以停运序列的时间旋转替代序列为基准度量的信息分量为0.77 MW，95%置信区间[?0.60, 2.15]；通道分量为?1.52 MW [?3.16, 0.11]；常规消融对比为?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。在信息匹配与等量调优下，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仅在STCN上经Holm校正后为正且显著（1.48 MW [0.53, 2.43]）。本文的方法论贡献是将常规特征消融对比分解为信息分量与通道分量，并在配对随机种子与滚动预测原点下以结构保持的时间替代序列估计二者；其新颖性基于替代序列，该序列保留运行事件序列的边际分布、自相关与跨节点共变，与现有重新训练设计中使用的置换副本形成对比。在所分析的12个季度中，分解表明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该贡献。然而，由于停运消息的原始发布时间无法重建，结果不能确立该信息在相应预测原点处是否可得，亦不能确立其在实时条件下是否具有预测价值。研究发现限于预测层、波兰竞价区、2022—2024年时期与所考察架构；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，亦不主张任何运行效益。