《Energies》：Short-Term Electrical Load Forecasting at a 15-Minute Resolution: A Benchmarking Study Using a Rolling-Window Training Approach Against Official TSO Forecasts
编辑推荐：
现代电力系统需要越来越精确的电力消耗预测，这对于有效规划、降低电力短缺风险以及整合可再生能源至关重要。本文展示了在15分钟分辨率下短期负荷预测（Short-Term Load Forecasting, STLF）的对比基准研究结果。研究采用了滚动窗口训练方法，
现代电力系统需要越来越精确的电力消耗预测，这对于有效规划、降低电力短缺风险以及整合可再生能源至关重要。本文展示了在15分钟分辨率下短期负荷预测（Short-Term Load Forecasting, STLF）的对比基准研究结果。研究采用了滚动窗口训练方法，并将结果与输电系统运营商（Transmission System Operator, TSO）的官方预测进行了比较。分析基于时间序列和机器学习方法，旨在提高电力管理系统稳定和安全运行所需的操作精度。
**论文解读：基于滚动窗口训练的15分钟分辨率短期负荷预测基准研究**
**研究背景与问题**
现代电力系统对电力消耗预测的精度要求日益提高，精确的预测有助于高效规划、降低停电风险并支持可再生能源整合。然而，负荷需求具有随机性，不存在普适的最优预测模型。2025年9月30日，欧洲单日前耦合（Single Day-Ahead Coupling, SDAC）框架下的日前电力市场从小时交易间隔转为15分钟交易间隔，使得高分辨率短期负荷预测（Short-Term Load Forecasting, STLF）成为关键需求。输电系统运营商（Transmission System Operator, TSO）发布的官方预测是行业基准，但传统模型能否被先进数据驱动方法超越仍待验证。现有研究多基于内部基准验证，缺乏与真实运营预测的对比。为此，研究人员开展了本次基准测试研究，旨在缩小理论模型与市场应用之间的差距。
**研究内容与结论**
本研究以波兰电力系统为对象（数据来自波兰TSO——Polskie Sieci Elektroenergetyczne S.A.，PSE），使用19个月（2024年6月14日至2026年1月25日）的15分钟分辨率实际负荷数据和官方日前预测，采用滚动窗口训练方法，在相同条件下对比了四种模型：季节性朴素（Seasonal Na?ve, SNaive）、Prophet、LightGBM和长短期记忆网络（Long Short-Term Memory, LSTM），并以TSO预测作为外部行业基准。测试期为2025年12月1日至2026年1月25日。结果表明：TSO预测精度最高，平均绝对百分比误差（Mean Absolute Percentage Error, MAPE）为2.13%，决定系数（R2）为0.976；独立模型中LightGBM表现最佳，MAPE为3.88%，平均绝对误差（Mean Absolute Error, MAE）为775.74 MW，较SNaive降低约49.8%。所有模型在圣诞节、新年等节假日期间性能显著下降，其中SNaive误差峰值超过8000 MW，而LightGBM和TSO更具鲁棒性。Wilcoxon符号秩检验确认LightGBM、LSTM和Prophet相对于SNaive的改进在p<0.001水平上统计显著。本研究首次将15分钟STLF模型与TSO官方预测在滚动窗口框架下进行运营基准测试，为独立市场参与者提供了开源基准，证明仅使用历史负荷和日历特征的单变量模型可接近TSO精度，具有实际应用价值。论文发表在《Energies》。
**主要技术方法**
研究人员采用滚动窗口训练框架，每日重训练所有数据驱动模型以纳入最新动态。数据来源为波兰TSO（PSE）的公开历史负荷序列和官方预测，样本时间跨度为2024年6月14日至2026年1月25日（19个月），分辨率为15分钟（对应波兰电力市场不平衡结算期ISP）。预处理包括：滚动Z分数异常检测、日光节约时间（Daylight Saving Time, DST）转换处理（缺失区间用线性插值）、归一化（[0,1]）。特征工程分三组：①时间戳提取（小时、分钟、星期几、周末标志）；②三角函数变换（sin/cos）处理时间循环性；③滞后特征（滞后24小时和7天）。模型配置：SNaive以7天前同一时刻负荷作为预测；Prophet采用加法分解（趋势+傅里叶季节性+波兰公共假日效应）；LightGBM为梯度提升集成（500棵树，学习率0.05，最大深度8，叶子数31，子采样0.8，早停50轮）；LSTM为单层64单元网络（Dropout 0.2，全连接32神经元，Adam优化器，学习率0.001，早停3轮），单时间步输入（timestep=1）。评估指标为MAE、均方根误差（Root Mean Square Error, RMSE）、MAPE和R2。
**研究结果**
**4.1 统计显著性分析**
通过Wilcoxon符号秩检验比较LightGBM、LSTM、Prophet与SNaive的绝对预测误差。检验基于5376个样本（15分钟分辨率，2025年12月1日至2026年1月25日），所有比较的p值均低于0.001，表明改进具有统计显著性。同时计算95%置信区间，LightGBM的误差范围最窄，确认其更稳定。
**4.2 每日稳定性和误差分布分析**
每日MAE、RMSE和R2的时序表明：TSO预测在节假日（12月24日、31日、1月6日等）保持高稳定性（R2≈0.976，中位数MAE<500 MW）；SNaive在节假日MAE飙升超8000 MW（R2降至-11）；LightGBM误差峰值约4000 MW；Prophet误差基线约1000 MW但更一致。误差分布箱线图显示LightGBM具有竞争性中位数误差但易现高幅异常值。
**4.3 节假日和周末波动影响**
将测试期分为32个工作日和24个非工作日（周末和节假日）。MAE和RMSE比较显示，非工作日绝对误差下降但R2显著退化（SNaive R2=-0.506）。相对变化图表明，LSTM对非工作日最敏感（MAE增加+5.4%），LightGBM增加+2.1%，TSO仅增加+1.3%。进一步按星期几分析：大多数模型在工作日中期（周三/周四）误差峰值，周末误差降低；LightGBM周日MAE约410 MW，周三约1343 MW。
**讨论总结**
本研究表明独立开发的方法（LightGBM等）不能直接替代TSO基础设施（后者依赖专有电网拓扑和气象共识），但可为市场参与者提供稳健的开源基准。研究局限在于严格依赖单变量历史负荷和日历特征，无法捕捉突发天气变化。未来研究方向包括：引入多变量模型（集成气象变量如温度、太阳辐照度、风速），采用多年跨季节数据集；探索更先进的深度学习架构（如时序融合变换器TFT、图神经网络）；增加概率预测能力并评估斜坡时段误差以适用于实时市场调度。
**研究结论翻译**
本研究提供了短期负荷预测模型的全面比较分析，重点关注输电系统运营商的基准与各种机器学习和统计架构的表现。必须强调的是，开发的独立方法旨在作为市场参与者的稳健开源预测基准，而非运营替代方案或直接取代依赖专有电网拓扑和气象共识的机构TSO预测基础设施。研究凸显了所有模型在假日季节（特别是12月24日、25日、26日、31日、1月1日和6日）的性能显著下降，此时需求模式与标准工作日特征严重偏离。在这些波动期间，季节性朴素模型出现极端失败（误差超过8000 MW），而TSO和LightGBM模型表现出更强的鲁棒性。此外，Wilcoxon符号秩检验确认LightGBM、LSTM和Prophet模型相对于SNaive的改进在p<0.001水平上统计显著。经验上，TSO预测达到最高精度（MAPE 2.13%，R2 0.976），而LightGBM是表现最佳的独立开发模型（MAPE 3.88%，MAE较季节性朴素基准降低约49.8%）。在机器学习模型中，LightGBM表现出优于LSTM的效率且描述性偏差更小，而LSTM经验上对非工作日动态表现出更高的描述性敏感性（绝对误差增加5.4%）。这些发现表明，对于高分辨率15分钟预测，LightGBM等集成方法在计算速度和预测精度之间提供了稳健平衡。然而，本研究的一个关键局限性是严格依赖单变量历史负荷序列和日历特征，使模型容易受到突发天气变化的影响。为克服这些限制，未来研究应转向集成外部气象变量（如温度、太阳辐照度、风速）的多变量预测模型，并使用多年跨季节数据集。探索更先进的深度学习架构，包括时序融合变换器（Temporal Fusion Transformers, TFT）和图神经网络，可提供更深的时空建模能力，以进一步增强高度异常假日期间的预测稳定性。此外，未来更新将纳入概率预测能力并评估斜坡时段误差，以全面评估模型对实时市场调度安全的就绪程度。
