低碳微电网中的预测与优化：一种结合合成数据(Synthetic Data)与Prophet–XGBoost基准的混合大语言模型(LLM–Based)方法

《International Transactions on Electrical Energy Systems》：Forecasting and Optimization in Low-Carbon Microgrids: A Hybrid LLM–Based Approach With Synthetic Data and Prophet–XGBoost Baselines

　　

随着分布式能源(Distributed Energy Resources, DERs)占比提升，微电网的能量管理与控制依赖于对可再生能源出力、负荷及电价的精确预测，然而构建能够统一处理多源数据、非线性依赖关系及运行不确定性的预测—优化一体化框架仍是研究难点。研究人员提出一种混合框架，将大语言模型(Large Language Model, LLM)的上下文推理能力与Prophet、极端梯度提升树(Extreme Gradient Boosting, XGBoost)、长短期记忆网络(Long Short–Term Memory, LSTM)等基准时间序列模型相结合，以衔接微电网中的数据驱动预测与调度优化。该框架配套设计了一条精心构建的合成数据(Synthetic Data)流水线，模拟受气象条件影响的负荷、风电、光伏及电价时序数据以还原真实运行场景。合成数据集生成后，混合预测方法利用LLM对上下文序列的学习能力并结合基准模型先验信息进行预测，预测结果输入基于CVXPY的混合整数线性规划(Mixed-Integer Linear Programming, MILP)优化器，求解满足负荷需求与运行约束的最小成本低碳电力调度问题。结果表明，所提混合LLM预测方法优于传统框架：其中LLM_XGBoost_Prophet配置下负荷、光伏、风电及电价的均值绝对百分比误差(Mean Absolute Percentage Error, MAPE)分别为3.68%、9.86%、11.30%及4.94%，引入LSTM基准的配置在回退(Fallback)基线辅助下亦有适度改善。优化阶段将电网购电限制在100 kW，可再生电源与储能联合贡献率达83.6%，碳强度为0.091 kg CO2/kWh。结果表明混合LLM预测结合基于CVXPY的MILP优化可构成现代低碳电力系统稳健的决策支持系统。

论文解读：《Forecasting and Optimization in Low-Carbon Microgrids: A Hybrid LLM–Based Approach With Synthetic Data and Prophet–XGBoost Baselines》（发表于International Transactions on Electrical Energy Systems）

一、研究背景与立项依据

随着气候变化应对与能源安全需求日益迫切，太阳能光伏(Photovoltaic, PV)、风能、电池储能系统(Battery Energy Storage System, BESS)等分布式能源(Distributed Energy Resources, DERs)在配电网中渗透率不断提高。微电网作为可并网或孤岛运行的区域性能量网络，可有效协调多种DER并提升可再生消纳与供电韧性。然而含高比例可再生源的微电网能量管理要求先进且稳健的控制框架，其中负荷需求、风电与光伏发电出力以及上网/网电电价的高精度预测是制定最优能量调度计划的关键前置条件。可再生能源与负荷具强不确定性，传统统计方法[如自回归积分移动平均(Autoregressive Integrated Moving Average, ARIMA)、季节性ARIMA(Seasonal ARIMA, SARIMA)、指数平滑]虽能捕捉线性趋势与季节分量，却难以表征复杂非线性特征及突变模式；单一机器学习（如人工神经网络Artificial Neural Network, ANN、支持向量机Support Vector Machine, SVM、随机森林、梯度提升）和深度学习模型（如循环神经网络Recurrent Neural Network, RNN、长短期记忆网络Long Short–Term Memory, LSTM）虽可拟合非线性，但通常忽略上下文语义信息、异常事件识别能力弱、需大量领域知识调参且各变量独立预测忽略相互依赖。大语言模型(Large Language Model, LLM)具备大规模上下文窗口与少样本学习(Few-Shot Learning)能力，可通过提示工程(Prompt Engineering)融合数值时序与文本/语义上下文进行统一建模，但尚未被充分应用于多变量微电网预测—优化耦合问题。此外真实微电网数据常难获取，现有研究缺乏端到端将混合LLM预测直接嵌入数学规划调度模型的完整框架。为此，研究人员开展此项研究，构建含天气条件合成数据生成、混合LLM预测引擎及基于CVXPY的混合整数线性规划(Mixed-Integer Linear Programming, MILP)调度的端到端仿真与优化框架，验证其在预测精度与低碳经济运行方面的有效性。

二、主要关键技术方法

研究人员首先构建天气条件驱动的30天(720 h)合成微电网时序数据集，涵盖温度、湿度、风速、云量等气象变量及负荷(Load, L_t)、风电(Wind, W_t)、光伏(Solar, S_t)、电价(Price, P_g,t)，采用基载日曲线叠加温湿风/云影响缩放因子与随机噪声生成，并进行特征工程提取滞后(Lag)、滚动均值/标准差(Rolling Statistics)、周期编码(正弦/余弦Hour Encoding)及温—时交互特征。预测模块先训练XGBoost与Prophet基准模型给出各目标变量24 h先验预测值，再将历史时序(含工程特征)与基准预测封装为结构化提示(Prompt)调用DeepSeek LLM API做上下文推理输出24点数值预测，设解析校验与退回(Fallback)至XGBoost或Prophet机制保证鲁棒性。优化模块将LLM预测值作为参数输入CVXPY建模的MILP，决策变量含电网交互功率(P_grid,h、P_inj,h)、柴油机组出力(P_d,h)与启停(I_diesel,on,h)、电池充放电功率(P_cha,h、P_dis,h)与启停及荷电状态(State of Charge, SoC_h)、电解槽耗电(P_ec,h)与燃料电池发电(P_fc,h)及氢储氢量(M_H2,h)，目标函数最小化运行成本与碳排放加权和(权重λ)，约束含功率平衡、可再生可用上限、柴油上下限与爬坡率、电池互斥充放与SoC动态及上下限、电解槽与燃料电池互斥运行与氢储动态及上下限、电网进出口容量及互斥。MILP由CPLEX(Ver.22.1.1)分支定界法求解(MIP Gap=10^?4，时限300 s)。预测效果以RMSE、MAE、MAPE评估，合成数据与真实数据统计分布(Kolmogorov–Smirnov检验、Wasserstein距离)比对验证保真度。

三、研究结果

3.1 数据验证：合成数据vs实际数据(Data Validation: Synthetic vs. Actual)

研究人员对比合成与真实微电网数据概率密度函数，Kolmogorov–Smirnov(KS)统计量均<0.21(风电最低0.083，光伏0.125，负荷0.125，电价0.208)，Wasserstein距离电价低至0.0076，负荷、光伏、风电依次为7.77、3.78、2.63；各变量均值绝对误差低(负荷4.31 kW、光伏2.74 kW、风电2.22 kW、电价0.0063 $/kWh)，误差偏度近零、峰度低。结论：天气条件缩放合成数据在均值、波动及尾部分布上与真实观测高度吻合，适合作为训练与压力测试集。

3.2 预测分析(Forecasting Analysis)

合成数据按时间切分训练(Day1–21)、验证(Day22–27)、测试(Day28–30)。测试集上评估LLM_NoFallback(无基线)、LLM_Prophet、LLM_XGBoost、LLM_Prophet+XGBoost、LLM_XGBoost_Prophet、LLM_LSTM、LLM_LSTM+XGBoost多变体。LLM_XGBoost_Prophet综合最优：负荷MAPE=3.68%(RMSE≈7.71 kW, MAE≈6.07 kW)，光伏MAPE=9.86%(RMSE=8.66 kW, MAE=4.99 kW)，风电MAPE=11.30%(RMSE≈7.05 kW, MAE=5.85 kW)，电价MAPE=4.94%(RMSE≈0.0079 /kWh,MAE=0.0063/kWh)。单独LLM无基线表现最差(负荷MAPE 13.38%，光伏MAPE 20.21%)，说明统计/机器学习先验对稳定LLM时序推理至关重要；LSTM系混合在XGBoost回退下误差降至接近Prophet/XGBoost混合水平。Prophet先验利于捕获日周期与季节分量(负荷、光伏早晚斜坡)，XGBoost先验善于拟合非线性局部波动(风电、电价)。结论：LLM辅以Prophet与XGBoost双基线分层提示可同时提升精度与跨变量泛化能力。

3.3 优化结果(Optimization Results)

采用LLM_XGBoost_Prophet预测输入MILP，参数：电网最大进口P_grid,max=100 kW、最大出口P_inj,max=50 kW，柴油P_diesel,max=40 kW/P_diesel,min=10 kW/爬坡±20 kW/h，氢系统P_H2,max=150 kW/M_H2,max=50 kg/M_H2,0=43.2 kg/M_H2,min=20 kg，电池E_batt,cap=200 kWh/P_batt,max=±50 kW/η_batt=0.95/SoC₀=80%/SoC_min/max=30%/90%，电解效率η_H2,ec=0.70、燃料电池效率η_H2,fc=0.55，碳强度电网CI_grid=0.45 kg CO₂/kWh、柴油CI_diesel=0.80 kg CO₂/kWh、风电0.01、光伏0.05、氢燃料电池0.20，λ=10 $/kg，T=24 h。优化结果：全天未启用柴油(P_d,h≡0)；夜间(t=0–4 h)风电32.2–41.4 kW、电网满额进口100 kW补缺口、电池微放(≤3.4 kW)；上午(t=5–10 h)光伏升至104.9 kW消除网购电，盈余充电池至SoC 90%；午后(t=13–18 h)氢燃料电池出力51.5–126.5 kW联合风光使连续5 h网购电为零；晚间(t=19–23 h)电池最大放电70 kW配合部分网购电(≤100 kW)。全天可再生(风+光+燃料电池)供能3074.2 kWh(77.8%)，电网进口649.8 kWh(16.4%)，电池平移需求占5.8%，燃料电池占18.6%。电池SoC由80%经日间充至90%再逐步降至期末30%；氢储由43.2 kg于t=15–21 h消耗至下限20 kg，电解槽未启动。小时碳排放主来自网购电(峰值~45 kg CO₂/h)，燃料电池≤2.5 kg CO₂/h，均碳强度0.091 kg CO₂/kWh，全天总排366.4 kg CO₂，可再生+储能渗透83.6%。结论：框架在严格运行约束下实现深度脱碳与经济调度，有限时域致存储耗尽属典型无终端惩罚行为，滚动时域可修正。

四、讨论与结论（翻译研究结论部分）

研究人员得出结论：本文提出了一种两阶段混合系统，将基于Transformer的大语言模型(LLM)预测（结合Prophet、XGBoost及LSTM基准）与混合整数线性规划(MILP)优化相结合，以实现微电网最小成本低碳调度。预测对比表明LLM_XGBoost_Prophet配置表现最为均衡，负荷、光伏、风电及电价的均值绝对百分比误差(MAPE)分别达3.68%、9.86%、11.30%及4.92%。单独引入LLM_LSTM可增强时序序列学习但因对波动敏感使误差升高至15%–20% MAPE；而LLM_LSTM_XGBoost混合明显抑制误差至接近Prophet/XGBoost基准水平，验证了结构化统计先验对稳定能源应用中序列学习的关键作用，LSTM混合在基线支撑下展现潜力。优化阶段系统在24 h计划期内完全弃用柴油、限制网购电≤100 kW，可再生电源与储能(风、光、电池及氢燃料电池)合计渗透率达83.6%；电池通过时段转移满足5.8%需求，氢燃料电池在傍晚及晚间高峰提供最高126.5 kW调节能力占18.6%；平均碳强度维持在0.091 kg CO₂/kWh以下，总排放366.4 kg CO₂，确保低碳运行。结果表明该框架可在满足节点功率平衡前提下同时实现深度脱碳与经济高效，为微网运营商满足碳强度<0.1 kg CO₂/kWh之管制目标并提供经济可持续性给出可行策略，模块化预测框架无需站点专属重训练即可快速部署于多样运行环境。未来工作将拓展至孤岛模式与多集群微网以分析停运韧性与点对点能源交易，纳入机会约束(Chance-Constrained)与随机规划以降低预测不确定性影响，协同动态电价与需求响应(Demand Response, DR)共同优化，引入可解释人工智能(eXplainable Artificial Intelligence, XAI)提升预测与调度决策透明度，并开展硬件在环(Hardware-in-the-Loop, HIL)验证评估通信延迟与信息物理约束下性能及本地化LLM推理可行性。