《Energy and AI》:State-Adaptive Forecast Error Recalibration for probabilistic wind power forecasting
编辑推荐:
可靠的短期风电功率预测需要能随运行条件变化而保持有效的不确定性估计。本研究提出了状态自适应预测误差重校准(State-Adaptive Forecast Error Recalibration,SAFER),一种面向可再生能源预测的状态条件保形后处理框架。研究
可靠的短期风电功率预测需要能随运行条件变化而保持有效的不确定性估计。本研究提出了状态自适应预测误差重校准(State-Adaptive Forecast Error Recalibration,SAFER),一种面向可再生能源预测的状态条件保形后处理框架。研究人员将2019年4月至2024年2月的逐小时Eskom风电发电量数据与来自第五代欧洲中期天气预报中心再分析(ERA5)的区域气象预报因子相结合。采用防泄漏的时序设计,将模型就绪样本的55%分配为训练集、10%为验证集、20%为保形校准集、15%为未接触的测试评估集。验证环节在1小时、3小时、6小时和24小时 horizon 选择了线性回归(Linear Regression),在12小时 horizon 选择了CatBoost。五个horizon的未接触测试均方根误差(RMSE)分别为107.23 MW、231.05 MW、342.20 MW、554.12 MW和553.64 MW。在90%名义覆盖率下,状态条件化在3小时将经验覆盖率从0.8869提升至0.8984,在6小时从0.8770提升至0.8869,在12小时从0.8014提升至0.8140。基于依赖感知的移动块自助法(moving-block bootstrap)推断证实了1小时、3小时、6小时和12小时存在显著的覆盖率差异;然而,1小时的覆盖率提升并未降低绝对覆盖率误差。仅在12小时观察到显著的Winkler评分改善。所有48个校准状态均满足最小样本量规则,且无任何测试预测需要回退机制。该框架可作为统计和人工智能能源预测器的补充,而序贯自适应保形推断(Adaptive Conformal Inference,ACI)在更长horizon上仍更接近名义覆盖率。
**论文解读**
**一、研究背景与问题提出**
风电已成为现代可再生能源系统的重要组成部分,但其出力变异性给电力系统调度、备用规划和电网平衡带来了显著运行挑战。因此,可靠的短期风电功率预测不仅需要准确预测期望发电量,还必须量化未来风电出力的不确定性。已有研究表明,预测性能取决于建模方法、预测horizon(预测提前期)、数据质量和气象表征等多个因素。随着风电在电力系统中占比不断提高,确定性预测与概率预测的双重需求日益凸显。点预测虽然有用,但无法描述预测不确定性,而系统运营商还需要能展示未来发电可能范围的预测区间(Prediction Intervals)。风电预测误差并非恒定不变,它们会随季节、日内时段、天气条件和发电水平而变化,因此单一的全局误差分布可能在波动剧烈时段过于狭窄,而在稳定时段又过于宽泛,这促使研究人员开发能响应周期性运行状态的自适应重校准方法。
**二、研究内容与重要意义**
针对上述问题,研究人员开发了状态自适应预测误差重校准(State-Adaptive Forecast Error Recalibration,SAFER)框架,这是一种可解释的、基于状态条件的保形后处理方法,旨在研究物理上可解释的状态条件化能否改善风电概率预测,尤其在短期horizon上。该框架将逐小时Eskom风电发电数据与从南非风资源走廊提取的ERA5预报因子相结合,由验证环节选定的区域点预测器首先生成预测值,SAFER重校准层再根据季节、日内时段块和发电状态估计残差分位数。该研究的贡献在于:第一,构建了面向南非系统级风电预测的区域气象特征设计;第二,将SAFER形式化为基于物理可解释可再生能源状态的分区保形重校准层;第三,通过将同一SAFER层应用于线性回归和CatBoost预测,展示了模型无关(model-agnostic)的实现方式;第四,采用全时序选择-校准-测试工作流、状态级校准诊断、Diebold-Mariano检验和依赖感知移动块自助法推断,对方法的经验收益、失效模式和horizon依赖性进行了透明评估。
**三、关键技术方法概述**
研究人员采用2019年4月至2024年2月的逐小时Eskom风电发电量数据(共42,672条原始记录,模型就绪观测42,312条),结合从南非西开普省/西海岸、北开普省/Hydra、东开普省以及全国平均四个区域提取的ERA5逐小时再分析气象变量(包括10 m和100 m纬向与经向风分量、风速、风向、2 m温度和地表气压),构建horizon特定的特征向量(包括滞后发电值、滚动统计量、区域气象变量及其滞后项、日历效应等)。采用防泄漏的时序分区设计(训练55%、验证10%、保形校准20%、未接触测试15%),候选点预测模型包括线性回归、随机森林(Random Forest,500棵树、最小叶节点2、平方根特征采样)和CatBoost(800次迭代、深度8、学习率0.04),模型选择仅基于验证RMSE。SAFER的状态空间定义为季节(夏季/秋季/冬季/春季)×日内时段(夜间/上午/下午/傍晚)×发电状态(低/中/高,由校准集经验三分位数确定),采用分层回退机制(最小状态容量n
min=30)处理稀疏校准单元。比较方法包括全局分裂保形预测(Global Split Conformal Prediction)、保形化分位数回归(Conformalized Quantile Regression,CQR)和序贯自适应保形推断(Adaptive Conformal Inference,ACI)。评估指标涵盖RMSE、MAE、MASE、sMAPE等点预测精度指标,以及预测区间覆盖率(Prediction Interval Coverage Probability,PICP)、平均预测区间宽度(Mean Prediction Interval Width,MPIW)、绝对覆盖率误差(Coverage Error,CE)和Winkler评分等概率预测指标,并采用24小时块的移动块自助法(2000次重复)进行依赖感知统计推断。
**四、主要研究结果**
*4.1 Exploratory wind-generation and meteorological behaviour(风电发电与气象行为的探索性分析)*
探索性分析表明,逐小时Eskom风电发电量存在显著的逐时波动,且研究期内发电振幅逐步增长,而ERA5 100 m风速的长期水平相对更稳定,这意味着发电规模的部分变化可能反映了风电装机容量的增长。月度聚合分析显示,强100 m风速时段通常与较高风电发电量重合,但两者并非一一对应,支持了点预测模型中纳入滞后发电量、额外气象变量和日历效应的必要性。100 m风速与风电发电量之间的散点关系呈分散且可见的非线性特征,尤其在中等和较高风速下垂直扩展加剧,这与异方差预测误差一致。日内风廓线揭示了发电量和风速在日内各时段的系统性变化,季节分布则显示发电量的中心位置和离散程度在夏、秋、冬、春四季存在差异,为在重校准状态定义中纳入日内时段块和季节提供了直接经验依据。
*4.2 Chronological model selection(时序模型选择)*
在预定的时序协议下,基于验证RMSE进行模型选择:线性回归在1小时、3小时、6小时和24小时horizon取得最低验证RMSE(分别为95.98 MW、188.43 MW、261.22 MW和382.72 MW),而CatBoost在12小时horizon以329.02 MW的RMSE胜出。模型选择在保形校准和最终测试评估前冻结。
*4.3 Untouched test point-forecast performance(未接触测试集点预测性能)*
在6348条观测的未接触测试集上,所选horizon特定模型的测试RMSE从1小时的107.23 MW上升至12–24小时的553–554 MW。MASE在1-6小时保持低于1,但在12小时和24小时超过1,表明所选点模型在较长horizon上相对于季节性标度基准的优势有所减弱。
*4.4 Point-forecast statistical validation(点预测统计验证)*
Diebold-Mariano检验表明,所选模型在两种损失函数(平方误差和绝对误差)下,在所有horizon上均显著优于持续性模型、24小时季节性朴素模型和逐小时气候学基准(所有双侧p值低于0.001)。
*4.5 Calibration-state support and fallback audit(校准状态支持与回退审计)*
扩展后的校准期覆盖所有四个季节。校准集发电状态阈值(低/中边界890.883 MW,中/高边界1433.760 MW)仅由校准集估计。全部48个季节×日内时段×发电状态单元在校准期间的样本量范围为37至343条,均满足n
min=30的最低要求,因此全部6348条测试预测均使用完整的三维状态,未激活任何回退。
*4.6 Probabilistic comparison at the 90% level(90%水平下的概率对比)*
在90%名义覆盖率下,SAFER在3小时将覆盖率从0.8869提升至0.8984,覆盖率误差从0.0131降至0.0016;在6小时覆盖率误差从0.0230降至0.0131;在12小时覆盖率从0.8014提升至0.8140且Winkler评分降低约77.7点。ACI在所有五个horizon上均最接近名义覆盖率,且在6-24小时取得最低Winkler评分;CQR在此应用中明显更宽且竞争力较弱。
*4.7 Results across 80%, 90% and 95% levels(80%、90%和95%水平下的多水平结果)*
多水平结果表明SAFER的校准收益在全局区间严重欠覆盖时最为显著。在1小时95%水平下,全局保形预测几乎精确校准(PICP=0.9505),而SAFER轻微过覆盖(0.9587)且Winkler评分略高。
*4.8 Dependence-aware bootstrap comparison(依赖感知自助法比较)*
在90%名义覆盖率下,24小时移动块自助法(2000次重复)结果表明:SAFER的覆盖率在1、3、6和12小时显著高于全局方法;但1小时的正覆盖率差异并不等同于更低的绝对覆盖率误差;Winkler评分改善仅在12小时具有统计显著性(p=0.001)。SAFER通常以更宽区间换取覆盖率提升。
*4.9 State-specific conditional calibration(状态特定条件校准)*
状态级条件诊断显示,SAFER通过在不同运行状态间重新分配区间宽度来降低局部校准失衡:例如1小时horizon下,全局区间的发电量高状态覆盖率仅0.8611(严重欠覆盖),低状态则高达0.9527(过覆盖),SAFER将两者分别调整至0.9126和0.8902。但状态级收益并不均匀,部分SAFER状态估计值超出目标,且在最长horizon上持续的时序漂移比固定状态分区更为重要。
*4.10 Model-agnostic experiment(模型无关实验)*
将同一SAFER构造分别附加于CatBoost和线性回归预测:对CatBoost而言,SAFER在1、3、6、12小时降低了90%覆盖率误差并在所有五个horizon降低了Winkler评分;对线性回归而言,90%的Winkler评分在1-12小时改善,但在24小时略差。这支持了重校准层的模型无关实现,但并非对所有horizon和指标均一致占优。
*4.11 Operational, artificial-intelligence and international relevance(运行、人工智能及国际相关性)*
SAFER将预测生成与不确定性修正相分离,在实际运行中,电力公司或系统运营商可保留已有统计、机器学习或深度学习点预测器,并将状态条件残差分位数作为下游不确定性层。该状态设计原则上可迁移至南非以外的系统,但季节定义、日内时段块、发电状态阈值和分区须基于当地数据重新估计。装机容量变化是将发电量以MW而非容量因子分析时的重要限制因素。
*4.12 Interpretation of horizon-dependent performance(horizon依赖性能的解释)*
概率性能表现为horizon依赖而非一致有利:SAFER在12小时的Winkler评分改善具有统计显著性,而多个其他horizon仅显示覆盖率提升却无显著的proper-score增益;在更长horizon上,序贯自适应保形推断(ACI)更接近名义覆盖率,表明固定运行状态分区和在线时序自适应针对不同的预测不确定性来源。
**五、讨论与结论**
综上,SAFER作为一种可解释的状态条件保形后处理方法,其效用取决于预测horizon和运行条件。在90%名义覆盖率下,最清晰的整体校准改善出现在3小时、6小时和12小时;12小时的Winkler评分降低具有统计显著性,而1小时和24小时结果喜忧参半。状态特定诊断表明,该方法可将区间宽度从全局保形预测已保守的状态重新分配至欠覆盖状态,但更高的覆盖率往往伴随着更宽的区间。研究结论指出:SAFER应被理解为一个透明的、可附加于统计或人工智能点预测器的不确定性层,它是对替代保形策略的补充而非替代。
该研究的局限性包括:气象预报因子来自ERA5再分析而非存档运行数值天气预报;响应变量为以MW计量的总风电发电量而非容量因子,由于缺乏与装机容量时间同步的验证序列,发电规模变化可能部分反映装机容量扩张;逐小时序列的序列依赖性意味着无法在该时序依赖条件下声称精确的有限样本分布无关保形保证;经验分析仅基于单一国家电力系统。未来研究方向包括:将SAFER与存档数值天气预报结合、使用容量归一化或电厂级发电数据、在更多国家和气候条件下验证,以及将可解释运行状态条件化与序贯时序自适应相结合,使区间预测方法既能响应周期性物理状态,又能应对分布漂移。
**研究结论翻译:** 本研究将状态自适应预测误差重校准(SAFER)作为一种面向系统级风电功率预测的可解释状态条件保形后处理方法加以开发。最终实验采用防泄漏的55%训练、10%验证、20%校准和15%未接触测试设计。线性回归在1、3、6和24小时被选定,CatBoost在12小时被选定。所选点预测显著优于持续性模型、24小时季节性朴素模型和逐小时气候学基准。扩大的校准块覆盖了所有四个季节,全部48个季节—日内时段—发电状态单元均超过最低样本量要求,且所有测试预测均使用预期的完整状态而无回退。概率结果表明,状态条件化的有用性取决于预测horizon和运行条件。在90%名义覆盖率下,最清晰的整体校准改善出现在3、6和12小时。12小时的Winkler评分降低具有统计显著性,而1小时和24小时的结果参差不齐。状态特定诊断显示,该方法可将区间宽度重新分配至全局保形预测欠覆盖的运行状态,并远离已保守的状态。这一收益并非无偿获得:更高的覆盖率通常伴随更宽的区间,且序贯自适应保形校准在更长horizon上仍更接近名义覆盖率。因此,所提方法应被理解为一个可附加于统计或人工智能点预测器的透明不确定性层,它是对替代保形策略的补充而非替代。