面向高渗透率分布式能源智能电网的增强型多变量协同感知负荷预测框架

《Applied Energy》：A multivariate collaborative perception framework for enhanced load forecasting in smart grids with high penetration distributed energy resources

　　

# 摘要

在全球碳中和倡议的背景下，智能电网中表后分布式能源资源（DERs）的快速增长为电网负荷曲线引入了大量不确定性和不可见性，对传统负荷预测方法的准确性构成了严峻挑战。为应对间歇性DER事件引发的波动性，本研究提出了一种基于优化多变量特征分解与双阶段历史-未来融合网络的多变量协同感知负荷预测框架。所提出的模型首先采用优化多变量特征分解方法，对负荷及与DER相关的外生变量进行频率对齐的分解，有效提取不同频率下的潜在周期模式和交互作用，生成高质量输入特征。随后，建立一个双阶段历史-未来特征融合网络。第一阶段中的IDCformer显式捕捉多尺度历史时间序列负荷波动，并实现对负荷动态中特征影响的协同感知；第二阶段中的卷积神经网络-多层感知机（CNN-MLP）高效建模表后DER对未来负荷波动的确定性影响，同时掌握时间依赖性和未来外生变量影响。在高DER渗透率区域进行的实验表明，所提出的模型优于所有最先进模型，平均绝对误差（MAE）最大降低83.12%，在日前德国电网负荷预测中实现了1.98%的创纪录平均绝对百分比误差（MAPE）。所提出的框架为智能电网中高DER渗透率管理提供了有效解决方案，并展示了在住宅负荷、电动汽车充电负荷和太阳能光伏等其他DER影响的预测应用中的潜力。

# 引言

在全球碳中和倡议的背景下，分布式能源资源（DERs），包括屋顶光伏、微型燃气轮机和电动汽车充电负荷，正在从根本上重塑现代电力系统[1]。在欧洲各地，DER渗透率已达到显著水平。例如，德国的分布式光伏渗透率已超过总光伏装机容量的70%，而在意大利，分布式屋顶光伏占该国总光伏装机容量的90%以上[2]，[3]。这些DER中很大一部分运行在表后，意味着它们的发电量——如住宅光伏和微型燃气轮机的发电——通常在当地消耗，对电网运营商而言基本不可见[4]。这种不可见性扭曲了净电网负荷，形成了明显的昼夜模式，如"鸭曲线"，即白天负荷因光伏发电而显著降低，随后在傍晚随着光伏出力下降和需求上升而出现陡峭的负荷攀升[5]。同时，电动汽车充电负荷渗透率的增长加剧了傍晚高峰需求，而不协调的充电行为进一步放大了电网负荷波动[6]。由于DER天然具有天气依赖性和随机使用模式，本质上是不可预测的，导致电网负荷波动加剧[7]。如此强烈的波动性可能导致电网负荷预测误差升高，尤其是在可再生能源间歇性和不可预测的电动汽车充电期间，因次优的储能调度和发电调度造成巨大的经济损失[8]。

尽管面临这些挑战，现有的电网负荷预测模型在适应表后DER引起的动态变化方面仍存在显著局限。一个主要不足是它们主要关注历史负荷数据的时间模式，而未能充分纳入和分析天气变量和行为模式等关键外生因素，而这些因素对DER的发电和消费具有关键影响。此外，大多数现有方法依赖单阶段建模架构，所有输入特征作为单一模块由单网络处理。这种单一模块设计导致可解释性差，更关键的是，未能利用不同类型特征的各自特性。因此，这些模型无法同时最优化处理时间依赖性和未来外生特征，导致预测准确性欠佳。这些局限性凸显了对一种新型智能电网负荷预测框架的迫切需求，该框架能够通过结构化的多阶段特征处理方法来显式建模表后DER和时间负荷模式的影响，从而提升性能。

短期负荷预测（STLF）方法可归为两大类：传统统计方法和机器学习方法。传统统计方法如回归分析[9]、指数平滑[10]和自回归积分滑动平均（ARIMA）[11]，虽然具有基础性，但往往难以捕捉复杂的非线性关系和突发性负荷变化。传统机器学习方法如随机森林（RF）[12]、极端梯度提升（XGBoost）[13]、支持向量机（SVM）[14]等，擅长处理高维数据。然而，它们捕捉复杂非线性相互依赖关系的能力仍然有限。另一方面，深度学习模型已被证明擅长捕捉复杂的非线性关系。它们从原始数据中学习层次化表示的能力使它们高度适应不同的负荷模式，并且对噪声更具鲁棒性。经典深度学习模型包括卷积神经网络（CNN）[15]、门控循环单元网络（GRU）[16]、长短期记忆网络（LSTM）[6]、时间卷积网络（TCN）[17]等。作为深度学习模型的杰出代表，LSTM已被广泛应用于捕捉负荷序列中短期和长期的信息。Fazlipour等人[18]将LSTM网络与多阶段注意力机制相结合，实现了精确的短期电力负荷预测，取得了令人满意的结果。Guo等人[19]利用CNN从电力需求数据中提取模式，随后由LSTM进行处理以进行预测。基于上述单一深度学习模型的发展，组合多种模型可以进一步提高STLF的准确性。例如，Niu等人[20]提出了一种混合CNN-BiGRU架构用于多能负荷预测，实现了对固有能源耦合关系的高级提取。Li等人[21]将CNN-LSTM与自注意力机制相结合，以提高电力负荷预测准确性，优于传统的CNN-LSTM模型。然而，上述经典深度学习模型存在难以捕捉长距离依赖、易受梯度消失或爆炸影响、以及顺序处理导致训练和推理较慢等挑战。

鉴于上述局限性，基于Transformer的模型近年来在STLF应用中引起了广泛关注，展现了卓越的性能[22]。Transformer最初由Vaswani等人[23]于2017年提出，具有更好地捕捉电力负荷数据中固有复杂模式和长期依赖关系的能力。这一能力有望显著提高STLF的精度和有效性。然而，原始Transformer模型主要设计用于自然语言处理任务，缺乏捕捉时间序列中复杂时间动态的能力。基于传统多头注意力机制开发，它还具备二次时间复杂度和高内存使用量。为应对这些挑战，人们提出了各种Transformer架构的增强和适配方案。具体而言，Zhou等人[24]提出了Informer，一种利用Prob-Sparse注意力方法的创新模型，显著降低了计算复杂度和内存使用，并加速了长序列预测的处理时间。Zhang等人[25]开发了Crossformer，全面考虑变量间依赖关系，从而提高了多变量时间序列预测的精度和效率。Liu等人[26]于2024年提出了逆Transformer（iTransformer），在不改变基本元素的情况下将架构倒置使用，从而增强了Transformer的时间序列预测能力和跨多种变量的泛化能力。

尽管基于Transformer的模型已被应用于STLF[27]，[28]，[29]，当前研究缺乏对模型架构的充分增强。大多数研究僵化地遵循原始Transformer，仅有有限修改。这种停滞导致原始Transformer框架的固有缺陷，包括序列建模偏差、多变量相关性提取无效以及由传统多头自注意力导致的计算冗余，直接制约了预测准确性。同时，现有架构往往表现出局部特征提取能力不足，导致区域负荷尖峰的预测不准确。因此，亟需创新开发一种具有高效全局注意力机制、局部特征提取能力和强时间建模能力的鲁棒时间序列模型。

此外，尽管深度学习架构取得了显著进展，上述深度学习模型[6]，[15]，[16]，[17]，[18]，[19]，[20]，[21]，[22]，[23]，[24]，[25]，[26]，[27]，[28]，[29]均未捕捉表后DER对电网负荷波动的独特且确定性的影响，主要关注历史负荷模式。此外，它们的单阶段架构将历史负荷序列和外生变量合并到单一输入矩阵中，本质上存在缺陷。这迫使单一模型同时掌握两项不同任务：从历史负荷数据中提取复杂的时间依赖关系，以及建立预测外部条件与未来负荷之间的映射关系。结果，模型往往变得不平衡——要么过拟合历史模式而对未来变量不敏感，要么未能充分捕捉负荷序列的必要自相关结构。为解决这些问题，需要一种创新方法——该方法将历史时间负荷特征和未来外生因素的处理解耦。通过为每种特征类型采用专用架构并战略性地融合这两类信息流，混合模型可以更有效地平衡历史模式与未来外部影响，并提高透明度。

电网负荷曲线通常是非平稳且复杂的序列，具有大量随机噪声和高频波动。为应对这一问题，信号分解技术在近年来引起了广泛关注。这些方法通过将原始负荷序列分解为不同的、更稳定的频率分量来提高预测准确性。它们还有效隔离和减轻突发尖峰和噪声的影响，从而有助于更深入地理解潜在模式，并为后续建模提供更干净的信号。信号分解策略大致分为单变量和多变量方法。单变量方法，包括经验模态分解（EMD）[30]、自适应噪声完备集合经验模态分解（CEEMDAN）[31]和变分模态分解（VMD）[32]，仅关注分解单个信号。EMD通过局部极值的包络插值构建固有模态函数（IMFs），在STLF中通过分离不同的时间模式并分别进行预测，展现了有效性[33]。然而，其对局部极值的依赖导致模态混叠和噪声敏感性，不同频率分量被错误分组，微小的信号扰动会扭曲IMF质量。CEEMDAN通过自适应噪声注入和残差分解过程中的集成平均来解决这些局限，实现了优于EMD的模态分离[34]。然而，由于迭代集成平均操作，IMF中的残余噪声传播和计算效率低下问题仍然存在。相比之下，VMD采用受约束的变分优化，通过非递归处理将信号分解为紧凑的频率模态，有效减轻模态混叠并增强模态分离。Ma等人[35]证明VMD优于基于EMD的策略，在负荷分解过程中减轻模态混叠和端效应，产生更准确的预测。

上述单变量方法仅关注负荷序列，将负荷序列与气象变量隔离开独立处理。这引入了致命的频谱不对齐问题，破坏了固有的负荷-天气同步性，并导致模态混叠，掩盖了耦合周期模式，最终损害了跨变量交互建模和预测准确性。与单变量方法形成鲜明对比的是，多变量策略如多变量经验模态分解（MEMD）[36]和多变量变分模态分解（MVMD）[37]在同时分解时强制所有通道进行严格频率对齐，如Yang等人[38]在风电预测中所示。通过将风能和气象序列分解为频谱同步的IMFs，MVMD消除了相位失真，同时显式捕捉驱动风电波动的潜在气象周期性。尽管在风电预测中已证明具有此能力，但当前STLF研究仍然坚持应用单变量负荷序列分解，而多变量分解仍属探索不足。这种忽视阻碍了全面的负荷-天气交互建模机制的整合，这对提高预测准确性至关重要。

信号分解方法涉及关键参数，如模态数量、收敛阈值、正则化系数等。这些参数直接决定分解质量，次优参数会损害分解效果和特征可分性，导致特征退化。采用元启发式算法微调这些信号分解参数已引起广泛关注。元启发式算法如灰狼优化器（GWO）[39]、粒子群优化（PSO）[40]和鲸鱼优化算法（WOA）[41]采用随机全局搜索机制以避免局部最优，有效遍历复杂的高维分解参数空间。然而，它们经常面临探索与开发动态不平衡的问题，导致在多模态信号分解参数空间中过早收敛。最近的改进包括初始化阶段策略和全局搜索算子等策略来克服这些挑战。Zhang等人[42]将混沌映射集成到GWO的初始化阶段，以提高电力负荷预测中的种群多样性，通过减轻过早收敛问题，表现优于标准GWO和PSO。

Cui等人[43]设计了带有自适应步长控制的改进北鵟优化算法（INGO），用于精细局部VMD参数优化，在超短期负荷场景下实现了比传统VMD和北鵟优化算法（NGO）更高的分解精度。Wang等人[44]利用Lévy飞行算子修改了白鲸优化算法（BWO），以优化光伏预测中的VMD参数，增强了全局搜索能力。尽管取得了这些进展，它们只是对根本存在缺陷的元启发式算法进行了表面修补，仍然继承并放大了基础算法的核心病理：过早收敛和局部最优。此外，其表面修补缺乏对探索和开发过程的直接关注，从根本上制约了多变量分解参数空间中全局探索与局部开发能力的协同增强。作为一项新颖贡献，Chen等人[45]通过部落竞争与成员协作算法（CTCM）取得了突破性进展。CTCM通过模拟部落间竞争进行全局探索、部落内部协作进行局部精化，彻底革新了元启发式算法。与受隐喻束缚的前辈算法如PSO和GWO不同，CTCM的双相机制通过可量化的竞争指标动态平衡探索-开发过程，在多模态优化任务中实现了更快的收敛。然而，CTCM在对频谱精度要求高的分解中存在关键缺陷：其基于梯度的协作机制在关键VMD惩罚因子附近的高维局部最优中被困住，而模态数优化期间的过早收敛使持续性模态混合得以延续。为消除这些限制，迫切需要一种直接增强探索过程的有效探索策略，以进一步提升CTCM的分解参数优化能力。基于1.1节的文献综述，总结出以下研究缺口：（1）现有基于Transformer的模型的架构和注意力机制通常不适于时间数据，它们倾向于优先关注全局模式而忽视局部快速波动。这导致其捕获负荷序列中关键短期变化的能力不足，限制了对突发变化的预测精度。（2）现有深度学习架构未能专门捕获表后分布式能源（DER）对电网负荷的确定性影响。这些模型主要关注历史负荷模式，因此不足以表征DER引起的不确定波动，导致高DER渗透率现代电网的预测精度下降。（3）占主导地位的单阶段架构，将历史负荷特征和外生变量混合为单一输入，存在根本缺陷。它创造了一个不平衡的模型，难以同时掌握时间依赖提取和未来变量映射，导致过拟合和次优性能。（4）当前STLF模型中的信号分解方法主要依赖单变量分解和次优参数调优。多变量分解尚未得到充分探索，阻碍了对不同频率分量下负荷与外生变量交互作用的建模。此外，用于参数优化的元启发式算法往往存在过早收敛和局部最优问题。这导致分解质量差，降低了输入特征质量和预测精度。为缓解上述缺口，本研究提出了一种新颖的多变量协同感知框架，纳入了表后DER的影响，集成了优化的多变量模态分解用于特征处理、IDCformer用于第一阶段（历史时间建模）以及CNN-MLP用于第二阶段（未来外生因子建模）。所提出的智能电网预测网络在德国和意大利数据集上通过五组实验进行了验证。结果表明，所提出模型优于所有最先进模型，平均绝对误差最大降低83.12%，在两个数据集上实现了日前（24步）负荷预测的历史最低平均绝对百分比误差，分别为1.98%和2.25%。值得注意的是，这种卓越性能在高DER渗透率电网中尤为明显，随着渗透率增加，预测精度的改善更加显著。本文的主要贡献和创新如下：（1）提出了一种双阶段历史-未来融合架构。该架构有效学习历史时间模式和未来外生因子的协同影响。它捕获了表后DER的确定性影响，增强了模型表征DER引起的负荷不确定性的能力，提高了预测精度。（2）提出了一种新型时间序列模型——带有多头差分注意力模块（MHDA）的IDCformer。该架构捕获复杂的多尺度时间负荷波动。MHDA模块实现多变量协同感知，有效建模不同维度下的特征交互作用，同时捕获时间依赖性和跨特征动态。（3）提出了一种优化的多变量变分分解框架（OMVMD）。该框架实现了多变量分解的精确参数调优。它实现了负荷与外生变量的频率对齐分解，捕获了潜在周期模式及跨频率交互作用。这种设计使得生成高质量、可解释的输入特征成为可能，从而增强预测精度。本文其余部分组织如下：第2节详细阐述所提模型的整体框架，并概述MVMD、NMS-CTCM优化算法、PEF适应度函数和双阶段深度学习网络机制的方法论。第3节通过两个实际案例研究与最先进基准进行模型验证，并进行了全面的结果分析。第4节展示了本研究的研究成果和未来的研究方向。本研究中使用的所有缩略语的综合列表按出现顺序排列如下：本节摘要方法论为了明确考虑表后DER的更高渗透率，本研究提出了一种新颖的智能电网短期负荷预测框架。该框架由三个关键阶段组成：多变量特征提取、基于置换重要性的特征选择以及电网负荷预测。该模型的综合结构如图1所示。在多变量特征提取阶段，引入了一种基于OMVMD的方法。MVMD参数通过数据集描述本文使用来自德国和意大利的两个不同数据集进行了实证分析。选择这两个国家是因为它们在智能电网基础设施中具有先进的DER集成，使其成为高DER渗透率区域的代表性示例。具体而言，德国拥有大量的多样化DER，包括分布式光伏系统、风能和电动汽车。意大利也表现出相当高比例的DER。结论本文介绍了一种先进的多变量协同感知负荷预测方法，以解决智能电网中DER更高渗透率的影响。该方法分为三个关键阶段：由NMS-CTCM优化的OMVMD分解框架，将原始负荷和气象数据集分解为频率对齐的IMF；一种双阶段PI特征选择策略，用于识别原始数据集和高维IMF中的关键特征CRediT作者贡献声明 Yi Yawen：撰写-审阅与编辑，撰写-原稿撰写，可视化，验证，软件，方法论，调查，正式分析，数据管理，概念化。 Chen Xinyu：撰写-原稿撰写，监督，项目管理，方法论，资金获取，概念化。 Zhang Yuxin：撰写-原稿撰写，监督，方法论，概念化。 Tian Zhiyong：撰写-审阅与编辑，监督，方法论，概念化。 Ma Ling：声明不存在利益冲突作者声明他们没有已知的竞争性经济利益或个人关系，这些关系可能会影响本论文中所报告的工作。致谢本研究得到中国国家杰出青年科学基金（编号：72325006）、中国国家自然科学基金（编号：72488101）、中国国家自然科学基金（编号：72293601）的支持。 Yi Yawen | Chen Xinyu | Zhang Yuxin | Tian Zhiyong | Ma Ling | Wu Qiuwei 先进电磁工程与技术国家重点实验室，华中科技大学电气与电子工程学院，中国湖北武汉 430074