《Sustainability》：Load Forecasting for Sustainable Demand-Side Energy Management Under User Heterogeneity and Temporal Dynamics
编辑推荐：
可再生能源的日益整合是实现可持续能源转型的关键途径，但它也引入了供给侧的不确定性，使得需求灵活性管理变得越来越重要。在这一背景下，准确的负荷预测成为平衡不确定的供给侧与需求侧行为的关键任务，并支持更可靠的能源管理。大多数现有研究通过开发先进的预测模型来进行负荷
可再生能源的日益整合是实现可持续能源转型的关键途径，但它也引入了供给侧的不确定性，使得需求灵活性管理变得越来越重要。在这一背景下，准确的负荷预测成为平衡不确定的供给侧与需求侧行为的关键任务，并支持更可靠的能源管理。大多数现有研究通过开发先进的预测模型来进行负荷预测。然而，在实际商业用户预测中，负荷数据通常表现出用户间异质性（inter-user heterogeneity）和时间动态性（temporal dynamics），使得预测性能不仅取决于模型架构，还取决于模型如何训练、共享、组合和使用；研究人员将这些设计选择称为预测策略（forecasting strategies）。因此，研究人员仅使用历史负荷观测，从策略层面研究日前个体负荷预测。研究人员比较了同质策略（homogeneous strategies）、关注用户间异质性策略（inter-user-heterogeneity-aware strategies）和关注时间动态策略（temporal-dynamics-aware strategies），使用中国三个真实世界电力消费数据集。结果表明，预测策略的设计显著影响预测性能，并且用户间异质性和时间动态都为改善日前个体负荷预测提供了有用且互补的信息。研究人员发现，与仅使用单一模型相比，适当的策略设计可以将MSE（均方误差）提高超过6%。总体而言，该研究为负荷预测和可持续能源管理提供了有用的方法论工具和实践见解。
随着可再生能源的整合加剧，供给侧不确定性凸显，需求侧灵活性管理成为关键，准确负荷预测对于平衡供需和支撑可持续能源系统至关重要。然而，现有研究多以模型为中心，聚焦于开发更先进的预测架构，却忽略了用户层面负荷数据普遍存在的用户间异质性（inter-user heterogeneity）和时间动态性（temporal dynamics）。这两个特性导致预测性能不仅取决于模型本身，还取决于如何组织训练数据、训练模型以及选择或组合预测结果（即预测策略）。为此，研究人员从策略层面展开研究，探讨不同方式的数据共享、模型特化与动态使用如何影响预测性能，并基于中国三个真实世界用户级电力消费数据集（D1、D2、D3，覆盖不同区域和时段）进行实验，验证策略设计对均方误差的改善可达6%以上。该研究发表在《Sustainability》。
**关键方法**：研究采用六种候选模型：LightGBM、XGBoost、N-BEATS、LSTM、Transformer和PatchTST。利用动态时间规整（DTW）进行用户聚类（静态）或窗口聚类（动态）。策略框架包括训练组件（定义训练范围，如全局池化数据、用户簇数据或时间窗口簇数据）和预测组件（定义模型分配、选择或组合方式）。通过两类策略对比：关注用户间异质性的策略（如全局训练+用户级组合、簇级组合、簇特化训练、全局-局部混合）和关注时间动态的策略（如窗口级组合、窗口簇级组合、窗口簇特化训练、动态全局-局部混合）。数据来源明确标注为三个中国真实电力消费数据集，分别对应不同时间段的训练、验证和测试划分。
**研究结果**：
**5.2 整体性能比较**：通过对比MAE、MSE和WAPE指标发现，策略设计显著影响预测性能，多数关注异质性或时间动态的策略优于最优单一全局模型；用户间异质性和时间动态均提供互补信息；簇特化训练未一致提升性能，可能因负荷轮廓相似性与预测模型适用性不完全对齐；不同数据集上策略的相对表现存在差异，表明策略效果依赖应用场景。
**5.3 用户间异质性**：用户级组合策略中，所有候选模型贡献均非忽略，说明用户间模型适用性存在差异；用户级组合权重的簇内分散度较大，表明负荷轮廓相似性不等同于预测模型适用性，簇级适应效果受限于聚类质量。
**5.4 时间动态**：窗口级策略中，同一用户在不同预测窗口的模型组合权重存在显著变化，表明历史负荷状态包含模型适用性信息；动态全局-局部混合策略中，全局路径与局部路径的绝对误差对比显示，二者均未完全占优，局部路径在特定窗口提供互补信息。
**5.5 经验偏差-方差分析**：基于Bootstrap分析发现，簇特化训练导致方差大幅增加但偏差未充分降低，说明特化训练需与预测相关差异对齐；组合粒度细化（用户级 vs 簇级）呈现清晰的偏差-方差权衡；窗口级动态全局-局部混合策略同时实现最低偏差和最低方差，表明动态组合全局与局部预测器可兼顾适应性与稳定性。
**讨论与结论**：总结讨论部分指出，簇基策略效果有限，因无监督聚类与预测导向的模型适用性不一致；时间动态策略提供更强且一致的改进，窗口级适应已实现良好性能；局部模型单独使用时不可靠，但在动态全局-局部混合中提供互补信息。研究结论部分翻译如下：本研究从策略层面审视商业用户日前个体负荷预测，发现预测策略设计对性能有实质性影响；用户间异质性和时间动态都应被显式考虑；有效的策略设计应平衡数据共享、模型特化与动态使用；研究结果为实际用户侧能源管理提供了策略设计指导。未来研究需扩展至其他用户类型、引入外生变量，并评估下游任务价值。
