结合概念漂移自适应的居民级用电需求小时内区间预测

《Knowledge-Based Systems》:Intra-hour interval forecasting combined with concept drift adaptation for electric energy demand at residential level

【字体: 大 中 小 】 时间:2026年08月29日 来源:Knowledge-Based Systems 8.0

编辑推荐:

   •针对低压电网节点提出了一种漂移感知的在线区间预测框架。 •结合霍夫丁树回归、ADWIN和共形预测实现了自适应的点预测和区间预测。 •该方法在独立的15分钟、30分钟和45分钟预测时间范围内进行了评估。 •所提方法提高了点预测精度,并提供接近名义90%水平的经验覆盖率。 引

  

•针对低压电网节点提出了一种漂移感知的在线区间预测框架。
•结合霍夫丁树回归、ADWIN和共形预测实现了自适应的点预测和区间预测。
•该方法在独立的15分钟、30分钟和45分钟预测时间范围内进行了评估。
•所提方法提高了点预测精度,并提供接近名义90%水平的经验覆盖率。

引言

在过去几十年中,电力是推动现代社会发展的关键因素[1]。不同研究指出,几乎所有发达社会在各个部门,即工业、商业和住宅领域,电力需求将持续上升[2,3]。此外,必须牢记,为了保证所有终端用户都能获得可靠和高质量的电力服务,公用事业必须持续平衡能源供需[4]。而且,如果没有算法的支持,很难在电力系统的规划和运行方面做出正确决策,这些算法不仅有助于应对大规模储能不可用的问题,还有助于提供可负担且可靠的服务[5]。传统上,仅应用能量需求预测器来预测未来需求,并与传统同步发电机进行平衡。然而,随着可再生能源的渗透,在传统电力系统中开发了新的预测器,以确保电力系统可靠安全的运行[6,7],因为可再生能源的特点是间歇性和不确定性。尽管这些预测方法已被输电系统运营商(TSO)和配电系统运营商(DSO)广泛应用于高压和中等电压电网,但它们在低压电网中的运行部署带来了额外的挑战,因为住宅需求具有高波动性、有限可观测性和强异质性。近年来,智能电表和低压级别的负荷预测受到了越来越多的关注,特别是在数字化配电网的背景下。随着电动汽车和充电基础设施渗透率的增加、住宅自消费光伏发电以及消费者日益增长的主动作用,这一兴趣预计将进一步增长[8]。在此背景下,DSOs预计低压电网的复杂程度将在未来几年增加。

尽管如此,与点预测、家庭级别研究、较长预测时间范围和规划导向型应用相比,文献在非平稳住宅需求下针对低压电网实时控制而开展的超短期、节点级区间预测方面仍然发展较少。特别是,较少的工作同时解决在线学习、不确定性量化和漂移感知自适应用于小时内操作预测的问题。因此,预测方法和最优潮流控制策略需要继续针对低压电网进行开发,这些电网以高波动性和日益增加的操作复杂性为特征。

在电力系统中,预测方法适用于不同的目的,因此,可以根据预测时间范围进行分类:i) 超短期,文献中也称为即刻预测,涵盖从未来几秒到未来1小时;ii) 短期涵盖从未来几小时到未来几天;iii) 中期涵盖从未来几天到未来几周;iv) 长期涵盖从未来几个月到未来几年[9]。在这些预测时间范围中,即刻预测器被应用于实时控制操作,如实时调度或功率平滑。然而,能源时间序列具有非线性和不确定性的特征,这也受到许多外部因素的影响,如天气、季节性、一天中的时间、星期几、社会经济活动等,这使得能源需求/发电预测成为一项具有挑战性的工作[10,11]。随着住宅级别自供电光伏发电机的安装、电动汽车的引入和终端用户的赋能,关于准确和可靠的超短期预测器在住宅级别用于低压电网实时控制的研究开始变得更加相关。

在此背景下,概念漂移是在非平稳住宅需求下运行的在线预测模型面临的关键挑战。在本研究中,概念漂移被定义为预测任务中使用的数据分布随时间发生变化,这可能降低在先前观测上训练的模型的准确性或校准。由于本工作中使用的数据集不提供家庭级别干预措施的基准标签,检测到的漂移将被解释为与预测性能相关的统计变化,而不是特定物理事件的因果证据。

在过去十年中,研究人员和学者深入研究了不同时间范围的电力系统预测器性能提升,因此,提出了各种模型。根据预测器的预测输出,预测器可以分为点预测(PP)或区间预测(PI)预测器[5,12]。传统上,研究人员致力于通过开发新型模型来提高PP预测器的准确性。然而,近年来,少数研究人员如Yang等[5]、Rodríguez等[12]、Li等[13]和Liu等[14]开始声称PP预测器提供的信息不完整,因为没有提供关于预测值可能偏差的信息。因此,这些研究指出,预测传统PP周围的边界将为DSOs提供有价值的信息,以确保电网可靠和安全的运行。

关于PP预测器,文献综述表明这些预测器分为三大类:统计、人工智能(AI)和混合模型。统计模型,文献中也被称为计量经济模型[5],包括自回归积分滑动平均(ARIMA)[15]、线性回归[16]或卡尔曼滤波[17]等。例如,Sharma等[18]提出将盲卡尔曼滤波算法与ARIMA模型结合来解决短期能源需求预测挑战。计量经济模型的主要优势在于它们易于计算且是成熟的算法。然而,由于忽略了外部因素或因为难以建立模型输入和目标值之间的适当关系,这些模型的性能有时会降低[5,9]。因此,这些模型通常被避免用于预测能源需求或能源发电等非线性的时间序列。

为了解决非线性行为并提高通过统计模型获得的性能,AI模型作为一种可行的解决方案应运而生。AI模型也可以细分为机器学习(ML)模型或深度学习(DL)模型。关于ML模型,随机森林(RF)[19]、人工神经网络(ANN)[20]和支持向量机(SVM)[21]被证明能够更好地建模能源需求和能源发电时间序列的非线性行为。然而,ML模型也有一些缺点,如模型过拟合、训练步骤中的梯度消失或模型超参数选择[22,23]。尽管其他研究人员提出了具有Levenberg Marquardt训练算法和自动特征选择的极限学习机(ELM)来避免ML模型的缺点,但这种选择因为海森矩阵的复杂性而增加了计算时间[24,25]。此外,为了改进权重的单步或多步训练,提出了基于粒子群或遗传算法的神经网络,但这些选项容易陷入局部最小值[26]。近年来,基于DL算法的快速发展以及电力系统复杂性的增加,许多DL预测器被提出以应对不同的挑战。一些最受欢迎的DL算法是循环神经网络[27,28](RNNs),它们被证明是更灵活的模型,因此能更好地捕捉非线性行为[29]。然而,与ML模型一样,梯度消失效应以及它们在建立长期关系时的准确性降低减少了RNNs的应用数量[30,31]。这两个缺点通过长短期记忆(LSTM)网络的发展得到了解决,LSTM不仅能够提高学习能力,还能建立长期相关性[27]。然而,包含许多变量的LSTM模型的复杂结构很容易导致模型过拟合[32]。

近期研究提出了开发混合模型以继续提高当前能源需求和能源发电预测器的准确性。混合模型基于ML和DL单模型与优化和信号处理策略的结合,以提高所有预测时间范围的准确性[33,34]。因此,混合模型遵循"分而治之"策略,其中每个单模型从数据中提取不同的特征,然后对各模型计算出的预测进行组合以得到最终预测[5,35]。此外,混合模型可细分为:基于AI单模型组合的模型、基于聚类和分类的模型以及基于信号处理技术的模型[9]。关于AI单模型组合策略,部分文献表明通过不同模型获得的预测组合是提高单AI模型准确性的可行方法[[36]、[37]、[38]]。例如,Khwaja等[39]提出了一种结合多个袋装和增强ANN的混合模型用于负荷需求预测。尽管Khwaja等[39]研究获得的结果表明混合模型表现优于其他模型,但所提模型的弱点在于由于难以提取特殊事件的特征(如节假日或极端气象现象),其准确性会降低。这一弱点也在其他类似研究中被发现和解决,如Saxena等[40]或Zhu等[41]的研究。聚类和分类算法也被应用于混合模型的开发,有两个目标:获得最有意义的特征和识别数据库中的模式[9,42]。例如,Panapakidis等[43]提出组合minCentropy和ANN算法来进行日前预测。Panapakidis等[43]研究中获得的结果显示了应用聚类算法的优势以及通过开发算法获得的高参数化水平。其他研究人员如Fan等[44]和Velasco等[45]提出应用K近邻(KNN)与ANN或SVM结合来提取有意义的特征。然而,基于KNN算法的混合模型的主要缺点是获得的最终结构复杂以及缺乏建立聚类数量的方法[46]。最后,基于信号处理技术的混合模型包括三个主要步骤:首先,对原始时间序列应用信号处理技术以将信号分解为不同的子序列;其次,对获得的子序列应用AI算法;最后,将获得的模型集成以获得最终的混合模型[4,47]。近年来,许多研究人员提出了应用不同的信号处理技术,如经验模态分解[48]、小波分解[49]或谱分析[50]。尽管基于信号处理技术的混合模型被证明是提高预测器准确性的可行方法,但仍有一些缺点需要考虑,如模型复杂性、估计误差累积或更大的计算负荷[9,47]。

关于PI预测器,通过监督学习训练的模型中嵌入的不确定性可能源自多种来源。广泛接受的是,模型在评估新数据时的输出内在不确定性可分为两种主要类型:"认知不确定性",包括建模过程本身引入的不确定性;和"偶然不确定性",指源自数据内在变异的不可改变的不确定性[51]。

不确定性量化在提升预测模型效力方面发挥着至关重要的作用。虽然这一领域在统计和概率论中有着丰富的历史,但其在机器学习技术中的整合相对较新[52]。在家庭电力消费预测领域应用不确定性估计近年来获得了势头[53]。

置信区间使用的优化以及LSTM和LSTM混合模型的出现显著增强了各个领域预测的鲁棒性和可靠性,包括能源需求预测和股票市场预测 [54]。文献综述表明,它们可以根据两个标准进行分类;第一个标准分析是否将点预测器(PP forecaster)作为基线用于区间预测器(PI forecaster)的开发,而第二个标准检查预测器中涉及的任何参数是否已被概率密度函数(PDF)所逼近。根据第一个标准,区间预测器可细分为不将点预测器所做的预测作为基线的直接区间预测器 [55,56],或使用点预测器生成的预测来计算区间的间接区间预测器 [57,58]。根据第二个标准,区间预测器可分为两个主要组别:假设任何涉及参数都由PDF定义的参数化预测器 [57,59],以及不满足该条件的非参数化预测器 [56,60]。

研究社区已开发出多种技术和方法来量化不确定性,主要专注于迫使模型生成具有一定变异度的输出。一些机器学习模型提供了灵活性,可修改其默认行为以基于百分位数生成预测。这些方法包括集成方法(获取每个估计器的输出)、测试丢弃(诱发输出变化)、分位数回归(预测不同百分位数)以及其他类似技术。这些模型特定的方法在文献中通常被称为"内在"方法 [61]。相比之下,"外在"不确定性估计技术与特定的机器学习模型无关,但允许在模型训练后进行不确定性测量,通常通过校准过程实现。这些技术包括保形预测(Conformal Prediction),该技术在本文中被选为参考不确定性估计方法。

此外,近年来一些研究人员也开始指出离线学习数据驱动模型的另一个弱点。该弱点在于离线学习模型无法为电力系统中模式演化的动态变化建立适当的关系,也无法预测这些参数在长期内的可能演化 [62,63]。因此,部分文献开始通过开发在线学习来解决这一弱点,即模型能够适应例如数据分布等意外变化,避免模型过时并保持其准确性 [64,65]。这种现象在文献中被称为概念漂移 [9,66,67]。

几项研究考察了低压电网的不同方面,例如预测与实时控制无关的较长时段的能源需求 [68]、预测单个家庭用电量 [69],或估计变压器过载以防止拥塞 [70]。然而,这些研究均未涉及本工作的特定目标。尽管一些最近的贡献探讨了低压电网中的需求响应策略 [71,72],但我们未发现任何研究开发或评估在线区间预测模型——结合概念漂移检测——用于超短时预测时域,并以明确支持低压网络的实时控制为目标。据我们所知,这是本研究填补的空白。

基于住宅级电能需求在超短预测时域内的不确定性和间歇性,本研究分析和基准测试不同的AI算法,以表征在线区间预测器的准确性和可靠性,将其用作低压电网实时控制的输入。由于数据可用性限制、全球智能计量技术规格以及计费方案的影响,预测分辨率设定为15分钟区间。鉴于低压配电网对近实时控制的需求以及短期预测(临测)的需要,预测时域设定为提前15至45分钟。此外,电能需求会在终端用户之间变化。因此,我们决定不预测每个终端用户的能源需求或产量然后在低压电网节点处汇总,而是直接预测节点处的总能源需求或产量,以减少不确定性。此外,我们进行了敏感性分析,以确定基于节点上分组终端用户数量的预测准确性。

所提出的方法论主要包括将具有概念漂移检测能力的在线预测模型集成到保形预测框架中。保形预测允许通过校准阶段表征预测模型的不确定性,该阶段计算模型输出落在特定区间内的预期概率。该过程通常离线执行,其与在线模型的集成需要对校准程序进行适应,该程序需要以一系列批量数据启动,并在模型持续接收流数据时进行更新。

在介绍本研究的主要贡献之前,本文明确了全文使用的术语以避免歧义。预测(forecast)指对未来电力需求在给定预测时域内的数值预测。预测器(forecaster)指生成此类预测的计算模型或预测流程。点预测(point forecast)表示单个预测需求值,而区间预测(interval forecast)提供旨在以给定覆盖率包含未来观测值的下限和上限。本工作提出的方法论指完整的在线预测流程,包括数据预处理、点预测、漂移感知适应和区间构建。基于此术语,本研究的主要贡献如下:

本研究提出了一个结合概念漂移适应的小时内区间预测器。由于目标是应用此预测器预测低压电网实时控制的能源需求,该方法论为以下每个预测时域提供了独立预测:15、30和45分钟。

1. 本研究提出的方法论将在线Hoeffding树回归器点预测器算法与自适应窗口漂移检测算法相结合。在第二阶段,使用保形预测框架来构建预测值周围的预测区间。这三个组件在第3.1节中进行了详细介绍和描述。

2. 为检验所提方法论是否优于文献中现有的方法,我们进行了Alvarez等人 [62] 提出的自适应概率负载预测方法与我们的方法之间的比较。

3. 由于该方法论旨在应用于低压电网的实时控制,因此必须运行敏感性分析,以确定每个节点中必须聚合多少终端用户以及误差在不同预测时域中的传播情况。

本文其余部分结构如下:第2节呈现探索性数据分析。第3节解释了所提方法论及计算的算法。第4节描述了所获得的结果并与其他研究相同目标的结果进行了比较。最后,第5节得出主要结论和未来工作。

**探索性数据分析**

探索性数据分析由一组统计技术组成,其目标是检查给定数据库中记录的特征信息,并确定这些特征之间的相关程度。此外,探索性数据分析步骤还用于在建模步骤开始前检查特征是否响应任何模式。

**方法论**

文献表明,在解决概念漂移问题的住宅级临测在线区间预测器开发方面开展的研究很少。在本文提出的研究中,所提方法论应用于住宅能源需求预测。请记住,目标是为控制系统提供更多信息,以确保低压电网的稳定性和可靠性。

所提方法论基于两个不同的步骤。第一步

**数值结果与讨论**

本节呈现本研究过程中获得的结果。基于数据探索性分析对所分析预测器开发的影响,决定在第一部分解释所获得的结果。所考察模型获得的结果在第二部分呈现。

**结论**

本文提出了一种方法论,该方法由具有概念漂移检测能力的在线预测模型集成到保形预测框架中,用于预测住宅级能源需求。因此,本研究产生了以下主要贡献:

• 本研究的主要贡献在于开发了一个预测器,能够在住宅级为未来15、30和45分钟做出准确预测。由于目标是应用此

**CRediT作者贡献声明**

Fermín Rodríguez:撰写——初稿,资源,方法论,正式分析,数据管理,概念化。
Jesús L. Lobo:撰写——初稿,软件,方法论,调查,概念化。
Ibai La?a:撰写——审阅与编辑,方法论,调查。
Verónica álvarez:撰写——审阅与编辑,监督,正式分析。
Eugenio Perea:撰写——审阅与编辑,资源,概念化。

**利益冲突声明**

作者声明他们没有已知的相互竞争的财务利益或个人关系可能影响本论文报告的工作。

**致谢**

作者感谢R. González在稿件数值结果方面作出的宝贵贡献。

Fermín Rodríguez|Jesús L. Lobo|Ibai La?a|Verónica álvarez|Eugenio Perea
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号