综述：电力系统短期负荷预测的类似日方法进展 莫妮卡·博伦达（Monica Borunda） 路易斯·孔德-洛佩斯（Luis Conde-López） 赫拉尔多·鲁伊斯-查瓦里亚（Gerardo Ruiz-Chavarría） 瓜达卢佩·洛佩斯·洛佩斯（Guadalupe Lopez Lopez） 维克托·M·阿尔瓦拉多（Victor M. Alvarado） 埃德加多·德·赫苏斯·卡雷拉·阿文达尼奥（Edgardo de Jesús Carrera Avenda?o）

《Forecasting》：Advances in Similar Day Methods for Short-Term Load Forecasting for Power Systems Monica Borunda, Luis Conde-López, Gerardo Ruiz-Chavarría, Guadalupe Lopez Lopez, Victor M. Alvarado and Edgardo de Jesús Carrera Avenda?o

　　**亮点**
主要研究结果是什么？
本文采用“相似日”（SD）方法对短期负荷预测的相关文献进行了研究，涵盖了过去25年的研究成果，包括传统的、智能的和混合型的预测方法。这些方法分为三个阶段：(a) 选择相似日；(b) 选择预测技术；(c) 整合这两个步骤以生成短期负荷预测曲线。

**主要研究结果的含义是什么？**
与几年前相比，电力系统的运行方式正在迅速变化。由于电网扩展不平衡、可再生能源占比增加以及新技术导致需求行为难以预测，现代电力系统的运行变得越来越复杂。此外，异常事件的发生频率也在增加，进一步加剧了这种不确定性。因此，如果预测工具要在实际运行条件下保持有效性，就需要不断对其进行改进。

研究表明，针对“相似日”进行预测的方法非常有限，这凸显了需要开发能够在异常或颠覆性条件下仍然准确的预测工具。未来的研究方向可以包括：生成仅在极端事件场景下的合成数据和相似日历史记录；仅在极端事件场景下训练智能预测模型；以及使用可解释的人工智能（XAI）等新兴技术。

**摘要**
短期负荷预测对于现代电力系统和电力市场的可靠、安全、高效和经济运行至关重要。在众多预测策略中，“相似日”（SD）方法是最早被用于评估电力需求的之一，至今仍是全球最直观和广泛采用的技术之一。然而，随着系统复杂性的增加、数据集的丰富以及计算技术的进步，“相似日”方法的演变已经超越了基于启发式的规则制定。本研究回顾了2000年至2025年间关于“相似日”方法在短期负荷预测方面的相关文献，分析了相似性的定义方式、预测生成过程以及这两个阶段在完整预测过程中的交互作用，并提出了一种将SD方法分为传统型、智能型和混合型分类的统一分类体系。研究结果表明，基于SD的方法在短期预测中仍然具有竞争力，结合人工智能技术可以提高其预测精度。

**1. 引言**
当前，脱碳是一个必须从多个方面着手推进的紧迫任务。为了实现碳中和的能源系统，需要利用更清洁的能源，并提升能源系统的效率和管理水平[1,2]。电力系统由从几瓦到数百吉瓦不等的电力负荷组成，这些负荷需要通过发电来满足。电力系统由一系列互连的电气组件构成，这些组件负责从发电厂生成、传输和分配电能以满足负荷需求[3,4,5]。因此，电力负荷预测对于电力系统的成功至关重要，无论是在设计安装阶段，还是在运行维护过程中[3,4,5]。

电力负荷预测需要在多个时间尺度上进行[6,7]：
- **非常短期的预测**（几分钟到一小时），用于通过备用资源或可中断负荷来管理突发事件；
- **短期的预测**（几小时到几天），用于机组调度、电力市场和备用资源分配[9]；特别是日前负荷预测，对于经济调度、电力市场以及各种类型的发电与储能之间的平衡至关重要；
- **中期的预测**（几天到几周），用于维护和燃料需求规划；
- **长期的预测**（几个月到几年），用于投资和扩展规划。

鉴于可再生能源（尤其是间歇性可再生能源）的占比不断增加以及需求变化的不确定性，准确的短期负荷预测对于系统运营商来说日益重要[10]。早期，从历史数据中提取信息的方法（如SD方法）已被证明是预测次日用电量的有效工具。

SD方法是当前电力行业中最古老、最直观且使用最广泛的方法之一。其基本原理是在相似的天气和日历条件下，能源需求模式会重复出现，从而可以借助历史数据来进行预测。虽然没有文献明确记录SD方法的起源，但据信自20世纪70年代以来已被电力公司采用[11]，北美电力可靠性委员会（NERC）的实践中也将其描述为一种相似日选择程序[12]。早期的实现方式是根据日历属性或基本天气变量来识别相似日，并直接使用或其结合简单统计计算来生成日前负荷曲线。由于这种方法直观易用且计算成本低廉，许多电力公司都采用了它。后来的研究将进一步发展这一思路，将SD预测视为日常负荷曲线空间中的模式相似性问题，为现代基于SD的方法提供了理论基础[13,14]。

近年来，随着更大、更复杂的电力系统的发展，以及大量高分辨率数据的可用性和对预测质量要求的提高，预测工作面临巨大挑战。为解决这一问题，研究人员正在努力开发能够实现以下目标的预测方法：
- 捕捉预测操作人员的知识与数据驱动的信息；
- 整合更多变量；
- 揭示非线性行为；
- 考虑需求的结构变化。

这些方法包括数据驱动的方法、复杂的预测系统以及人工智能等先进工具（单独或组合使用）[15]。特别是，负荷预测方法大致可分为基于相似性的方法、数据驱动的深度学习模型和混合方法（如图1所示）。现代深度学习模型（如循环神经网络和基于Transformer的架构）可以直接从历史数据中学习时间依赖性，而基于相似日的方法则依赖明确的相似性度量来识别历史相似日。

尽管有这些发展，现有文献仍缺乏系统性的技术综述，未能明确说明SD方法的发展历程、影响其性能的因素，以及近期基于机器学习的改进方法与原始方法的关联。大多数现有研究侧重于提出新变体，而非将其置于一个连贯的方法论框架中。本文旨在填补这一空白，提供基于SD的预测方法的技术视角，具体内容包括：
- 总结近期基于SD的预测方法的进展；
- 基于相似性定义、预测模型和融合策略，对文献进行结构化分类；
- 比较过去二十年间的各种方法，分析其发展趋势、性能范围和关键技术要点。

需要特别说明的是，本文中的“传统方法”指不使用人工智能技术的预测方法，包括启发式方法、统计方法和其他非智能方法。本文的目的是提供基于SD的短期负荷预测方法的结构化视图，并突出其在现代电力系统中的发展变化。

**2. 材料与方法**
本节介绍了基于SD的短期负荷预测方法的概念背景，包括相关变量和相似性度量的定义，以及智能SD选择中采用的方法。同时，还概述了本文采用的分析视角和根据结构特征对SD预测方法进行分类的分类体系。

**2.1 相似日方法背景**
SD方法已在短期负荷预测中应用了几十年，一直是将历史信息融入预测任务的最实用方法之一。该方法的核心假设是：如果过去的某些日子与目标日的条件相似，那么它们的负荷曲线可能与未来目标日的负荷曲线非常接近。早期版本的SD方法主要依赖于简单的规则（如日历特征或天气条件的匹配[19]），因其计算成本低且易于系统操作人员理解而得到广泛应用。随着数据量的增加，预测需求变得更加复杂，SD方法的范畴也不断扩大。除了负荷数据外，还引入了日类型、气象条件等多种变量来更精确地定义日间的相似性。因此，SD方法从单一的启发式程序发展为多种选择相似日并将其纳入预测模型的技术。一些研究专注于利用数据驱动技术来识别和分类日常负荷模式（例如Zhang等人的研究[20]）。尽管这些方法没有直接进行负荷预测或SD选择，但它们展示了模式识别和聚类技术在捕捉代表性需求行为方面的应用。这些方法后来影响了智能SD方法的发展，其中聚类被智能地用作初步步骤，以识别候选相似日或扩展相似性定义（超越简单的日历或天气规则）。

值得注意的是，一些研究并未严格遵循基于日历的SD规则，而是通过基于模式的相似性或数据驱动的历史观测分区来识别历史相似日。尽管这些方法与传统SD方法有所不同，但它们都遵循相同的原理：利用历史数据来支持短期负荷预测。基于模式的相似性方法[13,14]被归入基于SD方法的范畴，特别是当使用智能或数据驱动的技术（如聚类）来定义相似性时（超越了简单的日历或天气特征匹配），从而为智能和基于模式的SD方法奠定了基础[21]。

尽管存在多样性，但大多数SD方法仍包含三个核心要素：
- 相似性的定义，决定了如何在历史记录中识别相似日；
- 预测模型，用于使用选定的日子（从经典统计工具到先进的机器学习算法）；
- 选择与建模的结合，因为SD步骤可以以不同方式影响预测模型的结构和输入。

SD方法的演变经历了从传统方法到智能方法，再到混合方法的历程，其中相似性条件与聚类、优化或机器学习技术相结合。因此，一种趋势是结合领域知识与数据驱动的方法，以开发更准确和稳健的负荷预测方法。将SD方法纳入统一的框架有助于有效比较和理解它们之间的关系。以下小节将详细介绍定义SD预测中相似性的变量和距离度量。因此，这一过程的第一步是选择条件或特征，也称为相似性定义特征，这些特征用于量化不同日期之间的相似性。然而，相似性定义特征是时间序列中的时变量，例如历史负荷曲线、气象观测数据或与日历相关的变量。因此，相似性定义特征可以被视为解释变量，因为它们会随时间演变，并描述直接影响负荷动态的因素，在负荷预测模型中扮演解释变量的角色。解释变量捕捉与负荷需求相关的时间、气候和/或行为模式。在许多SD（短期负荷预测）公式中，距离是直接在历史负荷曲线上计算的，这是相似性定义特征的一个特例。除了基于距离的显式相似性度量之外，现代SD方法越来越多地依赖于基于学习的相似性度量方法，其中相似性是通过聚类、表示学习或机器学习模型隐式学习的，而不是使用预定义的距离函数。因此，在SD预测中，相似性的定义取决于两个要素：(a) 选定的用于描述需求条件的变量集；(b) 用于比较这些变量并量化目标日期与历史日期之间相似性的度量标准。

2.2.1. 变量类别
SD方法用于负荷预测通常使用三类主要的解释变量：
- 负荷变量，包括短期负荷历史数据，如前一天的需求或近期的负荷曲线，代表消费行为的时间连续性和系统惯性；
- 与天气相关的变量，对应于可能影响电力消耗的气象条件，如温度、湿度、太阳辐射、风速和其他气象参数；
- 时间变量，反映日历结构，如一周中的某一天、小时、季节、节假日、工作日或非工作日，或特殊事件，这些变量捕捉到重复的行为和运营模式。

然而，还可以考虑更多的类别，例如：
- 经济变量，用于衡量区域经济活动或表现，如地区国内生产总值、人均收入、电价、通货膨胀率和汇率、能源法规以及经济危机；
- 政治变量，代表该地区的政治活动，如公共政策、法规、补贴、关税结构、国际协议、气候承诺、总统或国会选举、政治不稳定性和治理；
- 社会变量，描述该地区的社会特征，如节假日、社会活动和庆典、人口密度以及社会基础设施。

2.2.2. 相似性度量
一旦选择了变量，下一步就是确定如何量化目标日期与历史日期之间选定变量的相似性。为此目的使用了多种距离度量方法，从简单的方法到更复杂的公式都有[22,23,24]。表1显示了传统SD方法中使用的主要度量标准。表1. 用于量化预报日期与历史日期之间选定变量相似性的度量标准，其中???(??)是解释变量，???是对应的平均值，用于寻找相似的日期，????????的取值范围从1到??，对应于历史数据组??中的某个历史日期，??对应于预报日期，??*是相似日期的值，通过最大化或最小化该值来确定相似的日期。此外，?????是预报日期与历史日期??的负荷偏差，?????,??是它们负荷斜率的偏差，?????是用于找出预报日期与历史日期??之间相似性的变量??的偏差，而??1、??2和??3是相应的权重因子。如下所示，欧几里得距离和加权距离使用最广泛，其次是曼哈顿距离。然而，也有一些研究使用余弦度量和皮尔逊系数。此外，还有一些概率或模糊相似性指数，当天气不确定性显著时，这些指数允许部分成员资格[25]。最近的工作探索了通过机器学习模型学习的距离，其中聚类是最常见的方法，这种方法能够捕捉到仅凭原始变量或大型数据集无法直接看到的结构。

由于SD方法涉及变量的选择和距离度量的选择，因此它们对天气异常、结构变化或用户行为变化的敏感性各不相同。一些方法明确调整度量标准或变量集以减少这些影响。其他方法将相似性计算嵌入到优化或混合方案中，使用学习到的权重来强调与负荷变化最相关的变量。因此，变量和距离度量的组合构成了定义和评估相似性概念的基础，并显著影响SD的性能。确实，这一基础对于解释传统、基于AI或混合SD方法的行为至关重要，并为下一节介绍的分析和分类视角奠定了基础。值得注意的是，并非所有的基于相似性的负荷预测方法都在单个日期的层面上操作。一些最近的研究在聚合或区域层面上探索相似性，比较不同系统之间的整个负荷曲线（每日、每周或每年），而不是为特定目标日期选择类似的历史日期。例如，提出了结合聚类的区域相似性与迁移学习的方法，以利用电力系统之间的结构相似性，从而在历史数据有限的情况下实现知识转移[26]。尽管这些方法不遵循传统的或基于模式的相似日期范式，但它们反映了负荷预测中相似性概念的更广泛演变，并强调了利用历史信息的替代方式。

2.3. 分析方法
在这项工作中，对SD方法的考察采取了技术视角，重点关注这些方法是如何构建的以及它们随时间如何变化。这一分析侧重于理解SD技术背后的结构，而不是汇编全面的出版物列表。在回顾文献时，即使以不同的形式描述，也有三个方面在SD方法中一贯出现：
- 变量的选择和相似性标准，这决定了如何选择历史日期来形成相似日期的集合；
- 使用选定日期的信息的预测模型；
- 将前两部分整合起来完成预测过程。

通过关注这些共享的结构元素，可以在一个统一的框架下比较不同的SD变体，突出机器学习、优化技术和混合架构的逐步整合，以及更复杂的相似性定义。理解这种演变对于制定连贯的分类法至关重要，这将在下一小节中呈现，以便根据它们的操作结构和建模策略对SD方法进行组织。最后，使用平均绝对百分比误差（MAPE）来评估预测性能，公式为M?A?P?E=1?????∑??=1∣??????????∣?100%，其中????和?????分别是变量的真实值和预测值[27]。尽管还有其他误差度量标准，如平均绝对误差（MAE）和均方根误差（RMSE），但由于其可解释性和适用于比较不同负荷大小的系统，MAPE是最常用的度量标准之一。

2.4. 提出的分类图
图2中的分类图通过将其分解为基本构件，展示了基于SD的短期负荷预测方法的有序分类。该分类不仅编目了单个研究，还关注定义SD方法如何运作、演变以及它们之间如何相互关联的结构逻辑。它将SD方法组织成三个概念层次，每个层次代表预测过程中的一个关键决策。下一节将根据这一分类法组织回顾的文献，并分析最重要的发现。

- 第一层：相似性选择机制
这一层根据从历史数据中识别相似日期的方式来对SD方法进行分类。这一层反映了用于定义相似性的知识范式。
- 传统的SD方法依赖于从领域专业知识中得出的明确、基于规则的标准，如日历属性（日期类型、季节、节假日）和基本天气条件。这些方法不使用AI技术，由于其简单性、透明度和低计算成本而在公用事业中得到广泛应用。
- 智能SD方法采用数据驱动的技术——如聚类、优化算法或机器学习——来识别相似日期。当有大量数据集可用时，这些方法特别有效，因为它们可以揭示简单规则无法捕捉到的潜在结构和复杂的相似性模式。
- 混合SD方法将传统的相似性规则与智能或信号处理技术结合起来。通过结合显式的领域知识和数据驱动的相似性学习，混合方法旨在捕捉更复杂和非线性的需求行为。

- 第二层：预测模型
这一层对选择相似日期后应用的预测模型进行分类。它反映了如何将从历史相似数据中提取的信息转换为负荷预测。
- 传统的预测模型包括经典统计技术，如线性回归、指数平滑和ARIMA。这些模型具有可解释性和计算效率，但在捕捉非线性关系方面存在局限性。
- 基于AI的预测模型使用机器学习和数据驱动的技术，如支持向量回归、随机森林、梯度提升、神经网络和集成学习器。这些模型能够建模非线性和变量之间的复杂交互。
- 混合预测模型通过多阶段架构或残差校正方案整合多种预测技术，以提高准确性和稳健性。
- 这一层强调预测准确性不仅取决于相似性的选择，还取决于应用于选定数据的建模策略。

- 第三层：集成预测策略
这一层代表了相似性选择与预测模型之间的交互，定义了整体的基于SD的预测架构。可能的组合包括：
- 传统SD与传统的或基于AI的预测模型结合；
- 智能SD与传统或基于AI的预测模型结合；
- 完全混合的系统，其中相似性选择和预测模型都是混合的。

- 整合策略的选择取决于数据的可用性、系统复杂性和运营约束。这一层强调SD预测不是一个单一的算法，而是一个模块化框架，其中相似性识别和预测建模共同决定了性能。

3. 结果
3.1. 文献的结构化组织
回顾的文献涵盖了超过二十年的时间（大约2001-2025年），揭示了基于SD的短期负荷预测方法的方法论演变。早期研究主要依赖于基于规则的相似性选择与传统的统计预测模型相结合，而最近的研究越来越多地将人工智能应用于相似性选择阶段、预测模型或两者结合。这种演变最终形成了集成多阶段或融合方法的混合SD框架。图3总结了根据提出的分类法研究的文献百分比，共研究了83项工作。结果如下：
- 图3. 根据提出的分类法对文献的方法进行分布。传统SD方法占39%（外环）：11%使用传统预测方法，28%采用智能预测方法（内环）。
- 智能SD方法占14%（外环）：6%使用传统预测方法，8%应用智能预测方法（内环）。
- 混合方法，无论是SD还是预测方法，占剩余的47%（内外环）。
大多数研究使用了来自世界各地的数据。中国的研究数量最多，其次是美国、澳大利亚、日本和印度。图4显示了各国的参与率。尽管存在地区差异，但用于确定相似性的解释变量在研究中相当一致。负荷、天气和日历变量在选择过程中占据主导地位，而经济或社会指标仅出现在少数研究中。

3.2. 文献搜索和选择标准
文献搜索使用了主要的科学数据库，包括IEEE Xplore数字图书馆、Scopus、Web of Science、ScienceDirect和SpringerLink。选择这些数据库是为了确保涵盖工程和能源系统领域的同行评审文献的全面覆盖。搜索使用了与短期负荷预测和相似日期方法相关的一组预定义关键词。主要搜索词包括“短期负荷预测”、“日前负荷预测”、“相似日期”和“电力系统”。这些术语通过逻辑运算符（AND、OR）组合，并在多个科学数据库中应用，以确保相关研究的全面和系统识别。此外，还考虑了其他变体和相关术语，以涵盖文献中使用的不同公式。除了纳入标准外，还应用了排除标准，以确保所选研究的相关性。排除了那些专注于电力系统以外领域负荷预测的研究——如建筑物、电动汽车、住宅家庭或微观层面的能源消耗。本综述特别针对应用于电力系统级需求的预测方法，从而确保了分析研究范围和适用性的一致性。3.3 类似日预测方法的分类在本小节中，我们总结了一些最新的研究成果。这些研究按照上述分类法组织在表格中，该分类法也在图2的最后一层进行了说明。从这些研究中提取的主要信息包括：(a) SD选择方法，(b) 应用的预测技术，(c) 使用的输入变量，(d) 报告的预测误差，以及(e) 收集电力系统数据的国家。如第2.3节末尾提到的，预测误差是通过MAPE来提供的。通常，我们包括了文献中报告的最小值和最大值，但在缺少这些信息的情况下，我们指明了报告的预测误差。最后，除非另有说明，所有研究的目标变量都是电力系统的电力负荷需求（按小时、天或峰值负荷划分，具体取决于参考文献）。需要强调的是，尽管文献中使用了多种性能指标，包括RMSE和MAE，但由于其可解释性和尺度独立性，MAPE仍然是短期负荷预测中最广泛采用的指标。因此，本综述中的比较分析主要基于MAPE值。然而，值得注意的是，在85篇经过审查的参考文献中，只有4篇没有报告MAPE，这一点在表格中明确指出。3.3.1 传统类似日方法和传统预测方法使用传统方法进行类似日分类和负荷预测的一些主要研究成果总结在表2中。表2. 使用传统类似日分类和传统负荷预测技术的预测方法的关键信息摘要。因此，属于传统SD和传统预测方法类别的短期负荷预测方法主要使用日类型规则和基于负荷及温度数据的欧几里得距离指标来选择相似日。此外，作为预测方法，它们还采用了回归、ARIMA或指数平滑等技术。3.3.2 传统类似日方法和智能预测方法使用传统方法进行类似日分类和智能技术进行负荷预测的主要研究成果总结在表3中。表3. 使用传统类似日分类和智能负荷预测技术的预测方法的关键信息摘要。因此，属于传统SD和智能预测方法类别的短期负荷预测方法主要使用日类型/日历规则或基于负荷及温度数据的距离指标来选择相似日。然而，作为预测方法，它们采用了ANN、SVM和随机森林等机器学习技术，或者浅层和深层学习模型。3.3.3 智能类似日方法和传统预测方法使用智能方法进行类似日分类和传统技术进行负荷预测的关键研究成果总结在表4中。表4. 使用智能类似日分类和传统负荷预测技术的预测方法的关键信息摘要。因此，属于智能SD和传统预测方法类别的短期负荷预测方法主要使用聚类（不同算法）、SOM、回归树或灰关联分析等来获得相似日。然后，在每组相似日内采用传统的预测技术，如回归或ARIMA模型。3.3.4 智能类似日方法和智能预测方法使用智能方法进行类似日分类和负荷预测技术的研究成果总结在表5中。表5. 使用智能类似日分类和智能负荷预测技术的预测方法的关键信息摘要。因此，属于智能SD和智能预测方法类别的短期负荷预测方法使用机器学习技术来选择相似日，例如聚类、SOM、灰关联分析等，并利用ANN、LSTM、GRU等进行负荷预测。3.3.5 混合类似日指标预测方法使用混合方法进行类似日分类或负荷预测的主要研究成果总结在表6中。表6. 使用混合方法的预测方法的关键信息摘要。因此，属于混合方法和预测模型类别的短期负荷预测方法通常使用多标准（如日历规则、距离、相关性和灰关联分析）来选择相似日。对于负荷预测，经常使用小波或EMD/VMD进行负荷分解，然后对每个组成部分进行预测。此外，还使用机器学习和深度学习技术进行残差校正。其他方法则结合了基于相似日的预测和非基于相似日的模型。3.4 按方法学类别分布的研究表7提供了基于分类法的这些研究成果的定量总结，这些方法被划分为传统、智能和混合SD方法。表7. 文献中研究的传统、智能和混合负荷短期预测方法中使用的主要SD方法的百分比。结果表明，传统SD方法主要是基于距离的，其中欧几里得距离（26%）和加权欧几里得距离（18%）是最常用的指标。基于日历的选择（18%）和皮尔逊相关系数（10%）也仍然被广泛使用，这证实了确定性相似性度量在SD建模中的持续相关性。相比之下，智能SD方法主要由聚类技术驱动，特别是K均值（43%）和其他算法（14%），其次是回归树方法（14%）和基于神经网络或元启发式技术（29%）。这种分布反映了方法学向数据驱动的相似性构建的转变，其中隐式的分组机制取代了明确的指标定义。混合SD方法将确定性距离度量和聚类或基于学习的组件结合起来。在这个类别中，基于K均值的策略（22%）和欧几里得类型距离（18%）仍然占据中心地位，其次是相关分析（8%）、灰关联分析（4%）或神经网络模块（4%）。总体而言，定量分布显示了从纯基于度量的相似性定义向增强聚类的混合架构的逐步演变，证明了基于SD的预测框架的方法学复杂性正在不断提高。3.5 时间演变总体而言，文献显示了从简单的基于规则的SD公式向集成聚类、机器学习和特征提取技术的智能和混合SD框架的逐步转变。这种结构支持了下一小节中介绍的分类法。图5展示了SD负荷预测方法的方法学演变。早期的研究主要基于传统的类似日方法与经典预测方法的结合。随着时间的推移，可以观察到向智能和混合方法的转变，反映了机器学习和高级数据驱动技术的集成。图5. 不同时期类似日负荷预测方法的方法学演变。堆叠条形图显示了方法学类别的相对比例，凸显了近年来从传统类似日方法向智能和混合预测框架的明显转变。3.6 审查研究的技术特征对审查文献的分析揭示了在输入变量、预测配置和方法学偏好方面的几个一致模式。关于输入变量，大多数研究主要依赖历史负荷数据作为核心预测因子。此外，由于天气对电力需求的强烈影响，经常结合与天气相关的变量（特别是温度）。湿度、风速和太阳辐射等其他变量的使用则不太一致。时间特征，包括一天中的时间、一周中的天数和季节性指标，也常用于捕捉负荷行为的周期性模式。在预测场景方面，大多数研究关注常规运行条件，特别是工作日和周末的负荷预测。然而，也有几项研究明确讨论了节假日等特殊情况，这些情况下的需求模式更加不规则，因此更具挑战性。从方法学的角度来看，最近的研究明显倾向于使用混合和智能方法。虽然传统SD方法在简单或更稳定的环境中仍然相关，但有一种趋势是将SD选择与机器学习或深度学习技术结合起来。这些混合方法旨在通过整合基于模式的推理和数据驱动的建模能力来提高预测准确性。总体而言，这些发现强调了从传统的基于规则的SD方法向更灵活和适应性强的框架的转变，这些框架结合了额外的变量和高级建模技术。这些技术特征为理解下一小节中展示的性能结果提供了重要背景。3.7 基于MAPE的性能评估使用MAPE分析了审查方法的性能。图6展示了不同分类法类别中的MAPE值分布。图6. 审查作品中报告的不同MAPE值（按小时、天、周和月）的箱线图。这些图表是根据提出的方法分类生成的：(a) 传统SD + 传统预测模型；(b) 传统SD + 智能预测模型；(c) 智能SD + 传统预测模型；(d) 智能SD + 智能预测模型；(e) 混合SD预测模型。图(f)显示了这5种模型类型的每日MAPE值的比较箱线图。注意，图(a,c)没有报告每周MAPE的数据。后续结果如下：最佳且最一致的结果来自混合方法（图6e），尽管有一些异常值；第二好的结果（所有方法中变化性最低）来自传统SD + 智能预测模型（图6b），也有一些异常值；第三好的结果属于传统SD + 传统预测模型（图6a）。在这种方法中，没有报告每周MAPE的结果，但小时、日和月的MAPE变化性低于图6c,d中的智能方法；第四好的结果属于智能SD + 传统预测模型（图6c）。在这种方法中，没有报告每周MAPE的结果，但小时、日和月的MAPE变化性低于图6d中的智能方法；智能SD + 智能预测模型（图6d）的MAPE值显示了每日和月度MAPE的最宽四分位数范围（IQR），但在最低和最高MAPE值之间的变化性最小，即非常短的尾须长度；所有方法中最多的结果对应于日度MAPE。因此，图6f展示了所有方法获得的日度MAPE值的比较。最佳结果是通过传统SD + 智能预测模型和混合SD方法（结合相似性和预测）获得的，具有较低的MAPE值和较低的变化性。重要的是要强调，传统SD + 传统预测模型取得了与智能方法相当的优秀结果，证明了该方法的有效性。3.8 审查研究的关键发现基于之前的技术特征描述，从审查研究中得出了几个关键发现。首先，相似性变量的选择是预测性能的关键因素，历史负荷和温度被一致地认为是最有影响力的预测因子。其次，采用更先进的相似性定义技术的方法——如聚类、加权度量或基于智能的程序——通常比基于固定距离规则的方法表现得更好。第三，在SD选择或预测阶段整合智能技术可以提高准确性，特别是在非线性和变化的需求条件下。最后，混合方法——其中相似性和预测紧密结合——在可解释性和准确性之间提供了实用的平衡，成为基于SD的短期负荷预测最有前景的方向之一。4. 讨论虽然前一节提供了对审查研究的结构化概述，但仍需要更深入的分析来解释观察到的模式及其含义。本节将对方法学性能、局限性和新兴趋势进行跨领域讨论，特别强调类似日方法有效的或失败的条件及其在电力系统应用中的实际相关性。4.1**跨方法比较**

对所审查方法的跨方法比较显示，在准确性、鲁棒性、可解释性和实施复杂性等多个关键维度上存在明显的权衡。在准确性方面，混合相似日方法和智能SD结合高级预测模型始终表现出最佳性能，而传统的SD结合经典预测方法则往往准确率较低，特别是在复杂或高度动态的系统中。在鲁棒性方面，传统方法更容易受到制度变化和极端事件的影响，例如由行为变化、电气化趋势或气候变异性引起的事件。尽管智能和混合方法通常表现出更好的适应性，但它们仍需要额外的机制（如数据增强或专用模块）来有效处理罕见或异常条件。

从可解释性的角度来看，传统的相似日方法最为透明，因为它们的决策过程直接与可观察的历史模式相关联。基于聚类的智能SD方法提供中等程度的可解释性，而完全智能和混合模型除非结合可解释的人工智能（XAI）技术[109]，否则往往表现为黑盒系统。

这些方法上的差异也体现在它们对数据和基础设施的要求上。传统方法所需的数据和计算资源最少，而智能和混合方法则需要更广泛的数据集、更高的计算能力和更复杂的模型调优。同样，从传统方法到智能和混合方法，实施复杂性逐渐增加。

总体而言，这些结果表明没有一种方法是普遍最优的。相反，选择适当的方法取决于特定的运营环境，包括数据可用性、系统变异性以及准确性、可解释性和计算成本之间的平衡。

为了对所审查的方法进行结构化比较，表8总结了它们的主要优势、局限性以及每种方法表现最佳的典型条件。

**4.2. 分析洞察和新兴趋势**

除了方法分类之外，所审查的文献还揭示了一系列重复出现的模式，这些模式不仅解释了这些方法的性能，还解释了为什么某些策略在特定条件下始终表现优于其他方法。特别是，SD方法的演变突显了相似性定义、数据结构和系统动态的重要性，而不仅仅是预测模型的选择。同时，诸如负载行为的结构变化、系统复杂性的增加以及对不确定性量化的需求等新兴挑战正在重塑预测方法的设计和应用方式。

以下小节综合了这些见解，确定了当前状态和电力系统负载预测中SD方法未来方向的关键趋势和概念进展。

**4.2.1. SD并未过时；它正在被“升级”**

尽管机器学习和深度学习技术迅速发展，SD原则仍然是运营负载预测的基本组成部分。其持久性可以通过其直观的本来和与运营商经验的强烈契合来解释。SD的持续相关性可以归因于以下几点：
- 它基于识别具有相似条件的历史日的直观逻辑；
- 它与运营商的专业知识和日历/天气启发式的强烈契合；
- 它能够提供透明且可解释的预测框架。

然而，正在演变的不是SD原则本身，而是相似性和预测的实施方式。基于简单平均值或回归模型的传统方法正在逐渐被更先进的技术所取代，包括LSTM、GRU、支持向量机、集成方法和概率预测框架等机器学习和深度学习模型。这种演变体现在混合和智能SD方法的日益采用上，表明SD并没有被取代，而是被整合进了现代数据驱动的预测框架中。

**4.2.2. 为什么相似性定义比“更好的模型”更重要**

分类法和报告的百分比表明，相似日方法之间的差异主要由用于定义相似性的距离度量和输入变量的选择所驱动。即使使用了强大的机器学习模型，它们的性能也受到输入数据质量的限制，因为相似性定义实际上决定了模型可以学习什么。性能结果显示，如果相似性没有正确定义，仅仅用ANN或LSTM替换经典模型（例如ARIMA或回归）带来的改进是有限的。相比之下，当使用聚类、加权度量或灰色关系分析等技术精心构建相似日集，并结合在结构一致的数据上训练的ML/DL模型时，可以获得最大的收益。这支持了两阶段的设计哲学：首先，通过适当的数据选择和特征工程来定义相似性；其次，应用合适的预测模型。

**4.2.3. 结构性突破：SD最薄弱的地方以及仍需研究的地方**

可以识别出几个传统SD方法失效的结构性颠覆因素：
- 社会变化：COVID-19、混合工作、非正式的桥接假期等；
- 气候极端事件：热浪、寒潮、飓风、洪水和野火；
- 新型负载：数据中心、加密货币挖掘、电动汽车充电和表后光伏发电。

从定量角度来看，很少有方法专门为异常或极端条件设计，而在这些时期预测误差可能会显著增加（例如，在停电期间的MAPE值超过40%）。此外，大多数SD定义都是基于“正常”年份校准的，无法捕捉到新兴的制度，例如：
- 周末峰值超过工作日峰值；
- 由于光伏发电导致的明显的中午低谷；
- 突然的电动汽车充电激增。

这些限制揭示了关键差距：
- 极端事件的数据稀缺；
- 由气候和行为变化驱动的非平稳条件；
- 新需求驱动因素（例如表后光伏发电、电动汽车、大型工业负载、市场价格信号）的代表性不足。

应对这些挑战需要合成数据生成、针对极端事件的特定模型以及整合XAI进行异常诊断等方法，这些方法与当前的机器学习趋势一致，并且对电力系统运营商（TSO）和独立系统运营商（ISO）来说是可行的。

**4.2.4. 聚类和混合架构的兴起：为什么这有意义**

报告的百分比表明，以聚类为导向的方法（例如K-means、K-medoids、SOM和模糊C-means）在智能和混合SD方法中占很大比例。在这种情况下，聚类可以理解为根据季节、日类型、温度制度或负载形状对负载时间序列进行结构分割的一种形式。一旦应用聚类，就会出现几个优势：
- 每个集群变得更加同质化，使其更容易用简单或专门的算法进行建模；
- 可以设计特定于集群的模型来捕捉局部行为（例如高温与温和条件）；
- 集群通常可以用物理术语解释（例如夏季冷却制度、冬季加热制度）。

这种方法有助于调和准确性和可解释性之间的权衡。一方面，相似日概念仍然直观——预测基于表现出相似行为的历史日；另一方面，通常不透明的机器学习模型可以通过聚类和XAI技术得到补充，以提供关于哪些集群和变量驱动预测的洞察。

在运营环境中，这种可解释性至关重要。当模型可以用可识别的条件（例如夏季高温工作日及其特征性的峰值需求模式）来解释时，系统运营商更有可能信任并采用基于AI的预测。

**4.2.5. 确定性SD与概率SD：下一个前沿**

所审查的文献显示，大多数SD方法是确定性的，专注于点预测并通过MAPE等指标报告性能。然而，最近的一小部分研究开始探索概率公式，包括基于深度学习模型的分位数回归和区间预测。在当前不确定性不断增加的背景下——由极端事件、可再生能源的整合和表后发电的增长驱动——概率预测变得至关重要。特别是，它能够：
- 实现风险意识下的单元承诺和储备分配；
- 在不确定性下更好地与安全约束的经济调度对齐；
- 提供现实的置信区间，而不仅仅是一个确定性的轨迹。

从方法论的角度来看，相似日方法天然适合概率预测。每个相似日可以解释为在相似条件下可能系统行为的一个样本，从而直接估计：
- 负载分布或分位数；
- 随机优化的场景集。

尽管有这些优势，与传统的点预测方法相比，完全概率SD框架的发展仍然有限，代表了未来研究的一个明确且有前途的方向。

**4.2.6. 可解释和可解释的SDB**

除了本文展示的方法论进步外，加强相似日预测的另一个机会在于整合XAI。到目前为止，Shapley Additive Explanations（SHAP）已被用来通过量化每个输入变量对负载预测的贡献来解释预测模型[58]。然而，它也可以用于极端条件——例如热浪、突然的行为变化或非典型的系统事件——这些情况经常破坏传统SD模型运行的假设。在这些非标准条件下，输入变量的重要性可能会动态变化，使得模型解释变得至关重要。最近的研究表明，XAI工具可以在异常时期发现变量重要性的变化[110]；因此，它们可以帮助诊断预测模型何时依赖于不稳定或不具代表性的模式[111]。技术如SHAP[112]可以提供关于为什么某些天被选为相似以及它们的特征如何影响预测的透明洞察。通过改善压力条件下的可解释性，XAI可以使基于SD的短期预测更加稳健和可信，代表了未来研究的一个有前途且实用的方向。

在这种情况下，XAI技术可以：
- 揭示变量重要性的变化（例如湿度或风寒变得更有影响力）；
- 识别模型依赖于不稳定或过时特征的情况；
- 区分数据质量问题与真正的制度变化。

对于SD方法而言，XAI可以回答关键的操作问题：
- 为什么选择某些天作为相似天？
- 哪些变量正在驱动相似性或聚类过程？
- 当出现大误差时，哪些特征导致了误预测？

这种透明性在运营环境中特别有价值，因为它将基于SD的预测从一个黑盒系统转变为一个可以由工程师和数据科学家共同解释、审计和改进的工具。

**4.3. 对电力系统运营商的实际意义**

综上所述，定量证据和分析为控制中心和TSO/ISO环境提供了以下实际建议，其中负载预测是一个关键的运营过程：
- 保留SD方法，但对其进行现代化：不应放弃SD方法，而应将其整合到聚类、分解和机器学习流程中，以提高性能，同时保持其直观的基础；
- 首先投资于相似性定义：必须识别定义系统中相似性的关键变量（如负载、温度、湿度、光伏发电、电动汽车渗透率和日历效应），并使用聚类、灰色关系分析或基于相关性的方法来进一步完善SD选择；
- 将混合架构作为默认策略：将SD选择与信号分解技术（例如小波、EMD、VMD）、机器学习或深度学习模型和残差校正相结合，以提高准确性和鲁棒性；
- 为极端事件设计明确的策略：需要专门的SD模型来应对异常条件，并使用合成数据或场景生成来应对数据稀缺问题并在罕见但关键的事件下提高性能；
- 向基于概率SD的预测迈进：使用相似日集合、分位数方法和区间预测能够在不确定性下实现更稳健的决策；
- 采用XAI进行信任和诊断：整合可解释的AI技术，如SHAP，使运营商能够解释特征贡献，理解聚类行为，并诊断预测错误。

**5. 结论**

本综述综合了二十多年基于相似日的短期负载预测研究，并提出了一种统一的分类法，根据相似性定义机制、预测模型及其集成策略对现有方法进行了组织。这一框架有助于更清楚地理解SD方法的演变，从基于规则的公式到智能和混合架构。分析确认，尽管人工智能技术的采用不断增加，但由于其直观的本来、低实施成本以及与运营知识的紧密连接，基于SD的方法仍然被广泛使用。然而，它们的传统公式越来越多地受到电力系统结构变化的挑战，包括社会变化（例如COVID后的行为模式和混合工作）、气候驱动的极端事件、新的大型和分布式负载的出现以及表后发电日益增长的影响。这些因素引入了非平稳性和增加的变异性，传统相似性规则无法完全捕捉。在这种情况下，证据表明，基于SD的预测的未来不在于取代它，而在于其转型。通过更丰富的解释变量和自适应策略来增强相似性定义，以及整合聚类、机器学习和混合建模方法，可以实现更准确和灵活的预测框架。特别是，混合架构在可解释性和准确性之间提供了实际的平衡，而概率性方法则为应对日益复杂的运行条件下的不确定性提供了一条途径。最后，本研究指出了未来研究的关键方向：在极端条件和其他非典型运行条件下系统性地评估空间驾驶员（SD）方法；标准化相似性指标和变量集，以便在不同系统和地区之间进行方法比较和结果复现；将高分辨率气象预报和气候信息整合到空间驾驶员的选取和预测模型中；改进对新兴需求驱动因素的表示；更广泛地采用概率性和可解释性人工智能技术，以量化不确定性并提高模型的透明度，尤其是在压力测试场景下。这些发展对于确保现代电力系统的可靠、透明和稳健预测至关重要。