《Sustainable Energy, Grids and Networks》：Weather-electricity demand relationships: A comparative analysis of linear regression and machine-learning approaches in Texas
编辑推荐：
电力需求受到每日气象变异性的强烈影响，在气候变化和极端天气不断增加的背景下，这给电网规划、预测和弹性带来了挑战。研究人员采用空间解耦的方法，以德克萨斯州为案例，评估气象条件如何影响电力需求。研究评估了极限梯度提升和随机森林以及普通最小二乘法模型的预测性能，分析
电力需求受到每日气象变异性的强烈影响，在气候变化和极端天气不断增加的背景下，这给电网规划、预测和弹性带来了挑战。研究人员采用空间解耦的方法，以德克萨斯州为案例，评估气象条件如何影响电力需求。研究评估了极限梯度提升和随机森林以及普通最小二乘法模型的预测性能，分析引入额外气象变量是否能提供改进。结果表明，供暖度日和供冷度日能够有效捕捉气象驱动的电力需求模式；机器学习(ML)模型主要在需求驱动因素复杂的区域体现附加值；额外气象变量相比度日指标提供的改进有限；模型选择应反映当地需求结构及预测变量的相关性。该论证框架在不同空间和时间尺度上均具有适用性。
气象变异模式在决定区域电力需求方面扮演着主导角色，尤其在不断加剧的气候变化与极端天气背景下，深入剖析气象-电力需求关系对于电网规划、预测与弹性保障具有至关重要的意义。以往的研究常常将温度视为唯一的解释变量，并依赖空间聚合数据，这掩盖了同一区域内需求对气象敏感性的局部差异。此外，大量前期研究聚焦于短期负荷预测，往往在不结合额外气象变量的前提下单纯依赖历史记录。目前针对何时及何地增加模型复杂度能显著优于传统可解释方法仍缺乏明确的具有地理显性特征的分析证据。为了填补这一文献空白，研究人员开展了一项空间解耦的对比研究，旨在量化非线性机器学习(ML)算法是否能比传统可解释的温度衍生指标提供一致的预测改进。研究在德克萨斯州电力可靠性委员会的八个气象区划内进行为期十年的气象-电力需求关系建模。该研究得出结论，供暖度日和供冷度日能够极其有效地捕捉气象驱动的负荷模式，而非线性的机器学习方法在需求驱动因素复杂的区域展现出显著的预测附加值。这表明模型选择应充分考量当地需求结构及特征的重要性。此项研究发表在《Sustainable Energy, Grids and Networks》上。在关键技术方法上，研究人员基于ERCOT和NASA POWER数据库获取了各气象分区的历史逐时电力负荷与气象数据，并汇总为日均指标。采用包含月份和星期固定效应的普通最小二乘法(OLS)建立基准模型，分别以日均温度及基础阈值为65°F的HDD/CDD指标作为预测变量。随后实施集成监督学习算法，构建极端梯度提升与随机森林评估非线性增益，使用基于时间序列的验证法调优参数。利用异方差和自相关一致标准误修正统计推断，并通过Diebold-Mariano检验比较面外预测精度。
时间序列与气象-电力需求概况：研究人员通过分析八年期的负荷时间序列发现，电力需求呈现显著的夏季高峰及长期上升趋势。Far West和North区因工业扩张、制造业及数据中心的蓬勃发展，长期增长率远超其他区域。探究相关性与季节相态表明，除Far West区以外，各分区的日需求与供冷度日(CDD)呈现强烈的正相关，体现了德克萨斯州以制冷为主导的热力气候形态。
普通最小二乘法(OLS)模型性能：将包含日均温度的模型与基于度日的模型进行对比，发现后者在多数区域实现了显著的预测能力跃升。以North Central为例，其面外R2从0.64增至0.92，该结果证明将供冷与供暖需求信号分离指标化能更贴近地刻画底层用能机制。相反，仅基于平均温度的线性模型在多个区域出现解释力低下甚至为负值的现象。
利用度日作为预测变量的机器学习(ML)模型评估：引入非线性集成算法后，模型在West区展现出巨大优势，XGBoost的面外R2达到0.79，远超该区OLS基准的0.33。然而，在气温-需求关系强且清晰的North Central、South及Coast等区域，配备度日变量的OLS模型反而优于复杂的机器学习方法，表明当热力信号占据主导时，传统回归即可实现高精度预测。
利用扩展气象参数作为预测变量的ML模型评估：在引入相对湿度、风速和降水等参数后发现，这些非温气象因素未能显著且一致地改善预测表现。在Far West与North区，所有模型均呈负R2，说明此处电力负荷的波动主要受与日常气象波动脱钩的非气象结构因素主导。
模型性能汇总与特征重要性分析：综合对比指出，地理空间上存在显著的异质性。随机森林的特征重要性评估确认，温度衍生的度日变量是负荷的首要驱动力。虽在Far West区内供暖度日(HDD)重要性凸显，与该区寒冷半干旱气候相符，但其整体特征得分偏低，再次证明气象信号在该分区仅处次要地位。
诊断与统计验证：针对OLS模型残差的Durbin-Watson检验显示存在正序列自相关，研究人员遂采用HAC稳健估计量重新计算系数。修正后所有度日与趋势系数保持高度显著。此外，Diebold-Mariano统计检验证实了各模型预测误差差异的统计学显著性，排除了因样本噪声导致的偶然性。研究结论部分指出虽然德克萨斯州的电力需求以冷却需要为主导，但在North、West及Far West区域，需求更多受未考虑的结构性因素影响。在面临负荷构成复杂的气象分区，良好的机器学习能够提取非线性结构带来增益，但在气象敏感区域简单且可解释的度日模型依然具有不可替代的效用。
