《Telecom》：Load Forecasting in Smart Electrical Grids: State-of-the-Art Approaches, Challenges and Future Directions
编辑推荐：
本文的研究目标是调查与智能电网中负荷预测技术合理部署相关的所有当前问题。后者已成为解决全球能源问题以及日益增长和多样化的消费者需求的潜在方案。为此，涉及了更灵活的分布式发电单元，主要基于可再生能源。智能电网的另一个关键新颖之处在于其能够直接从消费者和生产单元实
本文的研究目标是调查与智能电网中负荷预测技术合理部署相关的所有当前问题。后者已成为解决全球能源问题以及日益增长和多样化的消费者需求的潜在方案。为此，涉及了更灵活的分布式发电单元，主要基于可再生能源。智能电网的另一个关键新颖之处在于其能够直接从消费者和生产单元实时收集信息，从而促进最佳的网络规划、恢复以及最小化停电概率。因此，使用适当的先进基础设施非常重要，结合现代通信网络，这将能够充分发挥智能电网的潜力。在此背景下，为了提高电力系统的效率，避免电压和频率不平衡问题，并实施最优的生产和消费规划，负荷预测是一个至关重要的过程，在未来电力系统的管理中扮演着关键角色。因此，本文还介绍并讨论了LF方法的最新前沿方法。在同样的背景下，还指出了当前的局限性以及未来工作的建议。
1. 引言
传统电力基础设施是一个高度复杂的系统，其特征是集中发电、单向潮流以及严重缺乏用户与公用事业之间的互动，这进而导致了能量损耗、过载状况、电能质量问题、错误的峰值负荷管理、不当的可再生能源管理和人工业务流程。为了解决上述问题，智能电网技术成为了解决能源短缺、化石燃料 projected 衰减、环境影响以及不断增长的需求的关键方案。智能电网通过集成先进的信息与通信技术对传统电力基础设施进行现代化改造，链路范围涵盖发电单元至终端消费者，从而最大化系统效率、可靠性和运行灵活性。
智能电网具有数字化结构、双向通信、分布式发电、海量传感器、自我监控与自我管理能力。在此背景下，先进量测体系 (AMI) 可以被视为传统自动抄表 (AMR) 和自动抄表管理 (AMM) 系统的升级版本。通过这些直接从网络收集的数据，可用于机器学习 (ML) 方法的训练，以实现大规模网络优化和高效的负荷预测 (LF)。此外，电网的灵活性使其能够有效响应不利的运行条件和快速变化的需求模式，例如通过微电网孤岛运行在电网扰动期间自治运行，直至主网络恢复。然而，由于可再生能源的发电容量本质上具有随机性，准确的LF已成为大规模部署和可靠运行智能电网的基础支撑技术。
2. 可再生能源在智能电网中的集成
虽然大多数可再生能源在运行时不消耗化石燃料，但仍需解决成本和可用性等问题。将可再生能源接入电网系统具有环境、社会和经济三方面的效益。然而，这种集成也面临诸多挑战，包括由自然现象引起的电能质量偏差与电能生产不稳定性、电力可用性变化、与电力生产紧密相关的负荷预测难题以及可再生能源电站的选址离网成本问题。在此背景下，LF技术不仅可以缓解上述挑战，还能维持电网稳定。准确的LF一方面可防止电网过载或低频运行，降低停电风险；另一方面通过预测发电短缺来抵消绿色能源的间歇性，并促进可再生能源电站的优化部署。
3. 智能电网
3.1 传统与未来电力系统
传统电力系统按发电、输电、变电站、配电和用户划分，存在单向潮流、难以灵活集成分布式能源等局限。未来智能电网系统将支持可再生能源与储能技术的集成，基于双向流模型增强能量流以降低损耗与成本，并在全网部署通信和控制技术以实现实时故障恢复。此外，智能电网将引入物联网、宽带无线网络和分布式计算智能，同时支持电动汽车和智能建筑的互联。
3.2 基础设施
3.2.1 先进量测体系 (AMI) 简介
AMI通过智能电表、先进传感器等建立双向通信基础设施，提供计费、电能质量、电压和负荷数据，并支持远程电表管理和停电检测，有助于发现并减少窃电行为。由于数据源性质多样，在执行LF技术前需要进行缺失数据插补和噪声消除等预处理。
3.2.2 AMI安全挑战
AMI系统中的安全挑战主要分为三类：终端用户隐私与机密性、抵御网络攻击的系统弹性以及可追责性。通过SM和同步时间戳，可保证通信事件可追踪、可验证，并防止窃电与非技术损耗。
3.2.3 智能电表特性
智能电表 (SMs) 提供实时能源消耗与生产数据，使需求与供应相匹配。SM由测量模块和通信基础设施组成，测量模块包含计费检查、数据管理系统等，通信部分提供双向数据流以保证客户与公用网络的数据交换。
3.2.4 同步相量测量装置 (PMU)
作为高速传感器的同步相量测量装置 (PMUs) 生成电压和电流相量的同步相量测量值，还能与智能电子设备 (IEDs)、家庭能量管理系统 (HEMS) 以及配电管理系统 (DMS) 配合实现更准确的测量。
3.3 区块链技术
面对现代电力系统日益增长的需求、物联网设备规模化部署带来的网络物理安全风险，区块链技术因其防篡改和去中心化特性受到关注。它能够通过仅共享模型权重而非原始数据的方式，增强LF过程中的隐私保护和高可靠性。区块链可分类为公有链、私有链和联盟链，其应用贯穿智能电网的电能生产环节（提升调度实时感知）、输配电环节（支持数据嵌入LF算法）以及消费者环节（去中心化能源交易）。
3.4 通信接口
智能电网中的双向通信涵盖了测量数据管理系统 (MDMS)，其包含运行中断管理系统 (OMS)、地理信息系统 (GIS)、消费者信息系统 (CIS) 和配电管理系统 (DMS)。随着AMI和PMU等设备的引入，数据量剧增。因此，结合分布式云和边缘计算资源的大数据分析被广泛采用，以满足海量数据的存储、传输、可扩展性和实时处理需求。
4. 宽带无线网络
第五代 (5G) 技术被应用于解决物联网大规模部署的局限。5G依靠毫米波 和大规模多输入多输出 传输、网络功能虚拟化 (NFV) 以及软件定义网络 (SDN) 等技术，支持超可靠低延迟通信 和大规模机器通信。5G使智能电网能够支持需求响应 (DR)，通过实时运行数据动态调整用户能耗。结合移动边缘计算 (MEC)，5G可在变电站本地处理数据，允许长短期记忆网络 等AI算法瞬间分析使用模式，从而实现极其准确的短期LF，并有效平衡太阳能和风能等分布式能源的间歇性输出。
5. 智能电网中的负荷预测
5.1 负荷预测简介
电力消费者的需求特性通常分为工业、商业、住宅和农业部门。研究电力负荷行为和预测技术是长期与短期发电规划以及保障系统最大需求的基础。
5.2 负荷曲线与负荷预测
负荷曲线表示电力需求随时间变化的函数。根据时间尺度，LF分为长期负荷预测 (LTLF)、中期负荷预测 (MTLF)、短期负荷预测 (STLF) 和超短期负荷预测 (VSTLF)。不同预测视界在时间跨度和用途上各异，STLF支持实时运行与机组调度，MTLF用于维护与燃料计划，LTLF则支撑网络扩展与投资规划。
5.3 负荷预测的统计模型
传统的统计预测主要有多因素预测方法和时间序列预测方法。其中自回归 (AR)、移动平均 (MA)、自回归移动平均 (ARMA)、自回归积分移动平均 (ARIMA) 以及引入外生变量的 ARIMAX 模型被广泛应用。然而，这些模型难以充分描述非平稳时间序列，且对非线性数据的处理能力有限。
5.4 机器学习模型
为克服传统模型在计算复杂度和非线性数据模式上的不足，机器学习 (ML) 方法提供了极具前景的替代方案。人工神经网络 (ANNs) 包含输入、隐藏和输出层，能检测复杂模式。但 ANN 难以保留长期依赖关系，因此引入了长短期记忆网络 (LSTM) 来处理时序数据。小波神经网络 (WNNs) 通过将负荷分解为不同频率元素以提取特征并应用于超短期预测。高级小波神经网络 (AWNNs) 则自适应调整基数量，提升了计算效率与预测准确度。
5.5 模糊逻辑
模糊集理论允许元素的隶属度连续变化。在电力负荷预测中，模糊逻辑模型建模效果显著，能大幅降低预测误差。通过将预测输出与实际负荷比较并反馈更新规则库，可以有效提高短期负荷预测的精度。
5.6 性能评估指标
LF最重要的性能评估指标包括绝对误差 (AE)、平均绝对误差 (MAE)、平均绝对百分比误差 (MAPE) 以及均方根误差 (RMSE)。RMSE通过在平均前对误差进行平方，对较大的预测失误给予了更高的惩罚权重。
6. 智能电网负荷预测的最新研究
近年来，动态负荷预测研究广泛采用 LSTM 和 门控循环单元 (GRU) 等高级机器学习模型，并结合动态能量分配策略显著降低了运行成本并提升了电网稳定性。面对常规 STLF 神经网络难以捕捉影响因素相关性的问题，有研究基于时间序列聚类和 Transformer 提出了混合模型，增强了结果的可解释性。此外，利用 Z-score 归一化与卷积双向 LSTM 自编码器结合的混合深度学习 (DL) 方法配合超参数优化，在性能上优于其他 DL 方法。
为解决分布式 ML 训练中的隐私问题，研究引入了联邦学习 (FL) 框架，通过仅传输模型参数而非敏感源数据来保证隐私。然而面对非独立同分布 数据和硬件异构问题，研究进一步结合元学习，使模型能快速适应新任务并最小化训练样本需求。在此基础上发展出的个性化 FL 框架在非独立同分布数据环境下表现优于传统 FL 和 LSTM。
其他研究探讨了结合卷积神经网络 (CNN) 和轻量级梯度提升机 用于多元数据的预测，或者结合扩张时间卷积网络、双向 LSTM 和注意力机制的混合模型。这些研究表明，结合时序卷积、注意力机制及优化算法的混合模型在各项性能指标上展现出了极大的优势。但数据随机性、数据集缺乏多样性以及缺乏实时物联网数据接入仍是制约整体性能的瓶颈。
7. 讨论
尽管最新的 LF 方法旨在提高预测精度，但由于可用数据集、预测视界和计算资源的差异，没有单一模型在所有智能电网应用中表现出普遍的最优性。传统的循环神经网络 如 LSTM 凭借记忆单元在处理长序列和高非线性数据时具有高准确度，而 GRU 凭借更少的可训练参数在受限资源环境中更具优势。基于 Transformer 架构的模型通过自注意力机制在超长时序依赖关系建模中表现出色，但其高昂的计算复杂度限制了边缘计算的应用。此外，FL 框架虽解决了隐私问题，但通信开销和非独立同分布数据仍会影响模型收敛。混合模型在预测准确度上表现最佳，但训练时间长、超参数调优复杂使其在实时部署中受限。未来需解决缺乏公开数据集、与6G及物联网的协同共存、引入实时信息、可解释人工智能 (XAI) 的应用、处理复杂外生变量以及超参数训练成本等核心问题。
8. 结论
本文探讨了未来智能电网中高效负荷预测的核心问题。智能电网作为协作最大化的通信与能源异构网络，其负荷预测对于能够产生短期波动的可再生能源发电运行至关重要。关键使能组件包括 AMI、保障隐私安全的区块链以及具有 URLLC 能力的 5G 蜂窝网络。未来的负荷预测方法趋向于分布式联邦学习框架、元学习与可解释 AI 技术，以实现从有限数据中生成高精度结果并增强解释性。考虑到与未来第六代 (6G) 关键技术（如自主充电电动汽车和智能建筑无缝接入）的共存共融，混合预测模型因其多任务泛化能力，将被证明是应对这些新挑战和响应精确负荷预测需求的最适配置。
