电力系统中期扩展规划中基于机器学习算法的有功功率需求预测

《Energies》：Active Power Demand Forecasting for an Electric Power System Using Machine Learning Algorithms for Medium-Term Expansion Planning

　　

研究人员利用COES系统运营商20年开放获取数据，针对两月、一年及两年期预测窗口开展电力需求预测。所提方法采用机器学习（ML）算法并引入外生变量，对LGBMRegressor超参数进行优化以降低预测误差，并与SARIMAX、ARIMA及带交叉验证的ARIMA等数理统计模型（MSM）对比。MSM方法性能低于ML技术且计算耗时更长。实现环境为Google Colab Pro，Python 3.12，借助skforecast等库利用高RAM缩短两类技术计算时间。两月窗口下，含外生变量与优化超参数的LGBMRegressor平均绝对误差（MAE）最低达98.69 MW，而带交叉验证的ARIMA为207.93 MW。结果表明ML可降低误差且耗时更少，故一年与两年窗口仅用ML。LGBMRegressor一年期MAE为111.77 MW，两年期MAE为96.344 MW。研究纳入季度GDP、人口、用电普及率等社会经济外生变量，提升了中期预测模型表现。所得预测可支撑电力系统（EPS）运行与规划。

研究背景方面，电力系统持续扩张使有功功率需求行为日趋复杂，准确预测对运行与规划至关重要。需求不仅由历史消费决定，还受日历效应、环境、经济活动、人口演变影响。中期预测衔接实时运行与投资导向决策，支撑年度计划、检修调度、电源与电网扩展研究。传统数理统计模型（MSM，Mathematical Statistical Models）在处理大样本与多外生变量时精度与效率受限，而机器学习（ML）可捕捉季节、时序与外部因素非线性关系。基于此，研究人员以秘鲁国家互联电力系统（SEIN）为对象，利用COES发布的20年30分钟分辨率需求序列（344784点），评估ML在中期窗口的预测能力。

关键技术方法上，研究人员从COES门户获取2006—2025年半小时级有功功率需求，合并8个CSV；缺失值以COES日前计划需求填补（0 MW视为缺失）；COVID-19锁定期（2020年3—10月）通过权重函数降权，两月窗口保留、一年及两年窗口剔除；数据按70%训练、15%验证、15%测试切分。外生变量含季度GDP、人口、用电普及率（World Bank年/季值向下采样至半小时）、NASA六城均温、Astral日出日落、Holidays二进制节假日。ML侧构建基线、LGBMRegressor（LightGBM v4.6.0）含外生变量版及贝叶斯优化超参数版，用skforecast做时间序列回测交叉验证；MSM侧实现SARIMAX、ARIMA及ARIMA-CV（statsmodels）。指标取MAE、RMSE、R²。

研究结果部分，两月预测中ML渐进实验显示：基线R²=0.81，单LGBM R²=0.82，加外生变量R²=0.90（MAE=121.40 MW），优化超参后最优R²=0.92、MAE=98.69 MW、RMSE=155.15 MW；同等小时级条件下LGBM优化版MAE=90.63 MW、R²=0.93、耗时3.97分，优于SARIMAX-CV的MAE=207.93 MW、R²=0.71、耗时36.45分。两月MSM因大样本被迫降采样至2022年后小时数据仍低效。一年预测（排COVID）LGBM优化版MAE=111.77 MW、R²=0.93；两年预测MAE=96.344 MW、R²=0.95、耗时263.35分。残差图均围绕零无系统偏置，高峰值段离散略增。ACF/PACF显示lag 336（周）强季节，lag 1最强自相关，证明自回归加外生变量合理。

讨论与结论翻译：研究人员得出结论，两月窗口LGBM优化版较SARIMAX-CV在MAE（98.69对207.93 MW）与R²（0.92对0.71）占优且耗时更短（5.45对36.45分）；一年窗口引入外生变量与超参优化得MAE=111.77 MW、R²=0.93；两年窗口MAE=96.34 MW、R²=0.95。中期预测中季节与社会经济外生变量、LGBM超参调优及充足训练数据共同提升精度。该框架可作传输与发电扩展规划可靠输入，但本身属预测工具而非完整扩展规划方法论。论文发表于《Energies》。