《INTERNATIONAL JOURNAL OF FORECASTING》：The HEFTCom2024 winning model: A stacked CatBoost approach for probabilistic wind and solar power forecasting
编辑推荐：
摘要：有效的能源交易需要概率性预测(Probabilistic Forecasts)来量化不确定性并管理金融风险。本文描述了研究人员采用的方法——结合独立的风电与光伏模型，使用先进的堆叠CatBoost(Stacked CatBoost)框架进行风能和太阳能发
摘要：有效的能源交易需要概率性预测(Probabilistic Forecasts)来量化不确定性并管理金融风险。本文描述了研究人员采用的方法——结合独立的风电与光伏模型，使用先进的堆叠CatBoost(Stacked CatBoost)框架进行风能和太阳能发电的概率性预测。该方法的有效性在HEFTCom2024(Hybrid Energy Forecasting and Trading Competition 2024)竞赛中得到验证，并在预测英格兰1200 MW海上风电场(Hornsea 1)与约2400 MW光伏(PV)电站组合出力的日超前分位数预测及交易中获第一名。促成成功的关键因素包括：采用独立的风电与光伏发电模型、融合三套不同数值天气预报(NWP)数据集(GFS、DWD、MEPS)、无遗漏提交(无基准填充)以及对Hornsea 1海上风电场长期海缆故障的有效处理(人工限幅)。虽然研究重点在于预测模型，研究人员也赢得了交易赛道(Trading Track)，这主要归因于预测精度，且交易得分超出基于预测—交易得分趋势的其他参赛者预期。
论文解读：HEFTCom2024获胜模型——基于堆叠CatBoost的概率性风电与太阳能功率预测方法
研究背景与意义
随着可变可再生能源(Variable Renewable Energy, VRE)如风电与光伏(PV)在电力系统中的渗透率不断提高，准确的发电预测变得至关重要。较大的预测误差会导致系统失衡及高昂的社会与经济成本，因此概率性预测(Probabilistic Forecasting)——即提供分位数或预测区间而非单点估计——成为量化不确定性的关键手段。Hybrid Energy Forecasting and Trading Competition 2024 (HEFTCom2024)由IEEE PES能源预测与分析工作组组织，要求参赛者提交英格兰Hornsea 1海上风电场(1200 MW)与东英格兰光伏电站(~2400 MW)组合发电量的日前(Day-ahead)分位数预测(Quantile Forecasts, α=0.1~0.9)，并据此进行交易决策。既往Global Energy Forecasting Competition (GEFCom)及Makridakis竞赛表明梯度提升机(Gradient Boosting Machine, GBM)与集成(Ensembling/Stacking)方法在能源预测中表现优异。本研究由瑞典输电系统运营商Svenska kraftn?t (SVK)数据分析团队完成，旨在构建竞赛夺冠模型并探讨其工程实践价值。该研究成果发表于《International Journal of Forecasting》。
主要关键技术方法
研究人员采集2020-09至2023-12历史风电/光伏出力(含弃风电量)、三套数值天气预报(NWP)——GFS(Global Forecast System)、DWD ICON-EU、MEPS(MetCoOp Ensemble Prediction System)确定预报——及日前电价(DAP)、单一系统价(SSP)；分别构建风电与光伏的CatBoost分位数回归模型(以Pinball Loss为损失函数，支持多分位数同步训练)，各用一套NWP数据训练三个基模型，再以线性分位数回归作为元模型(Meta-model)对基模型九分位预测输出做Stacking融合；光伏目标变量按逐时最大容量归一化以消除装机增长趋势，风电不做归一化；特征工程含日历周期编码(cos/sin小时、月份)、NWP多高度风速/风向(sin/cos变换)、温度、云量、辐射及其滞后与差分，且风电NWP变量亦用于光伏模型；风-光混合分位数预测采用相关性调整求和(Correlation-adjusted Summing, ρws=0.6)替代简单相加；交易模型以混合分位数预测、日历特征及逐时段平均DAP-SSP差为输入，CatBoost回归(MAE损失)预测最优交易量并与中位数预测按0.8:0.2加权融合；针对Hornsea 1出口海缆故障期间手动设定风电出力上限(Cap)；设置三级模型优先级(Stacked CatBoost > 单模型CatBoost含滞后目标 > 线性分位数基准)与自动回退机制，每日自动化脚本完成NWP下载、建模、提交。
研究结果
3.1 堆叠CatBoost模型(Stacked CatBoost Models)
风/光各训练三个CatBoost基模型(分别对应GFS/DWD/MEPS天气源)，元模型为线性分位数回归，输入为基模型输出的9×3=27个分位预测值。CatBoost直接以Pinball Loss训练多分位数避免排序问题。基模型迭代次数风电场200次、光伏1000次，其余用默认超参。Stacking较最佳单一NWP模型降低Pinball Loss 6%~7%；加入MEPS较仅用GFS+DWD降低损失约7%~8%。缺失NWP数据行在基模型中剔除，元模型缺失值用同分位可用基模型输出填充，保证全时段预测可用性。
3.2 特征工程(Feature Engineering)
风功率模型最重要特征为风速(占比>91%)，其次为风向、温度、日历特征；MEPS模型含气压特征(1.0%)。光伏模型最重要特征为辐射(GFS/DWD占~52%)，MEPS无辐射故依赖云量、温度(17.5%)与日历特征(64.9%)；引入Hornsea 1区域风功率NWP变量可提升光伏模型性能(GFS/DWD中占10.1%~11.5%)。滞后(Lag)与差分特征对MEPS风速及DWD辐射重要性高于原始值。全网格点直接输入未作空间聚合，少量试验显示取单中心点会使光伏Pinball Loss增约10%。
3.3 相关性调整混合预测(Correlation-adjusted Hybrid Forecast)
定义δα,x=|q?α,x-q?0.5,x|(x=w,s)，混合半宽δα,hybrid=√(δα,w2+δα,s2+2δα,wδα,sρws)，混合分位q?α,hybrid=q?0.5,w+q?0.5,s±δα,hybrid(下/上侧分位取减/加，中位取直接加)。取时间不变相关系数ρws=0.6(经调优)较简单相加(q?α,h=q?α,w+q?α,s)微降Pinball Loss(<0.1%)，较ρ=0略优，可获更紧致预测区间。
3.4 交易赛道(Trading Track)
交易目标为每半时最优交易量(使Revenue=T×DAP+(y-T)×IP最大化，IP=SSP-0.07×(y-T))。CatBoost交易模型输入为混合九分位预测、日历特征及逐时段历史均值(DAP-SSP)，输出与q?0.5,hybrid按式Trade=0.8×CatBoost+0.2×q?0.5混合。测试期(2023)较单纯以q?0.5交易增收0.9%，理论上完美q?0.5(实际出力)可增收5.2%，完全最优交易可增收27.4%。竞赛期交易得分优于基于预测—交易趋势的外推。
第4节 实践方面(Practical Aspects)
为避免漏提交采用云端自动化流程(05:00下MEPS 00Z报、08:45取竞赛API与MEPS 06Z报、09:00运行并提交，失败重试及告警)。Hornsea 1海缆限容期依据REMIT消息与最终物理通知手动设定风电预测上限。基模型训练丢弃含缺测NWP行，因三套NWP叠加使最终堆叠模型具强鲁棒性。三级模型集(表1)按优先级回退确保无Benchmark填充。
讨论与结论
研究人员确认树基算法(CatBoost)在当前大型预测竞赛中尚未被深度学习方法普遍超越；融合多源NWP并通过Stacking集成可显著降低概率预测Pinball Loss；跨资源区域NWP特征迁移(风场气象用于光伏模型)具实用价值；相关性调整求和可适度改善混合资源概率预测区间；简单CatBoost交易策略结合预测分位数与价格差特征可在竞赛中取得领先。局限含未充分自动化REMIT处理、未做超参调优与更深集成、未引入集合预报与交易模型价格预测等。结论为：所提Stacked CatBoost框架配合多NWP源、独立风/光建模及相关性调整混合方法，在HEFTCom2024中风电-光伏概率预测与能量交易双赛道夺冠，证明了其实用性与竞争力，并为输电系统运营商内部运行预测模型提供了可借鉴的工程范式。
——原文结论译文：M5竞赛之结论似仍成立——就时间序列预测而言，基于树的算法尚未被深度学习超越。研究人员亦证实多源数值天气预报对可变可再生能源预测有益，本工作中三套独立CatBoost基模型经线性分位数元模型堆叠融合可降低Pinball Loss，效果近似于将所有天气数据放入单一CatBoost(与瑞典运行模型不同，可能因竞赛区域小、网格点少)。Hornsea 1区域天气数据明显提升光伏模型表现；MEPS光伏模型因缺辐射变量而依赖云量与日历特征，说明机器学习模型特征关系需经实验探明。日超前非重叠预测简化了X矩阵构建，建议后续HEFTCom加入重叠预测情境。缓慢增长的光伏装机使复杂目标归一化无益。诸多未评估设想(分区域建模、集合预报、深/宽堆叠、超参调优、分位数后处理、自动化REMIT)可作未来方向。研究人员达成目标：(i)分位数预测比预期简单；(ii)模型架构与特征工程具竞争力；(iii)竞赛具学习价值可供运行模型借鉴。
