面向日前建筑多能源负荷预测观测前风险排序的跨架构预测分歧

《Energy》:Cross-architecture Forecast Disagreement for Pre-observation Risk Ranking of Day-ahead Building Multi-energy Load Forecasts

【字体: 大 中 小 】 时间:2026年09月20日 来源:Energy 10.1

编辑推荐:

   •预测分歧支持在观测前对日前预测误差进行排序。•RSD/SD的Spearman相关系数为0.530/0.564,而验证集的相应值分别为0.407/0.461。•RSD使AUPRC提高了0.119,并在所有5%–20%的审查预算下均改善了捕捉效果。•在所有四个外部数据集中,分歧

  
  • •
    预测分歧支持在观测前对日前预测误差进行排序。
  • •
    RSD/SD的Spearman相关系数为0.530/0.564,而验证集的相应值分别为0.407/0.461。
  • •
    RSD使AUPRC提高了0.119,并在所有5%–20%的审查预算下均改善了捕捉效果。
  • •
    在所有四个外部数据集中,分歧与误差呈正相关。
  • •
    RSD条件化使被标记日的PICP90提高至0.854,同时将区间宽度扩大了18.4%。

引言

日前电力、制冷和供暖轨迹指导建筑物和园区的储能调度、储备规划、需求响应和监督控制操作[1]、[2]、[3]。其运行价值取决于两个因素:一是准确的目标日轨迹,二是对哪些已发布的预测需要进行额外审查或更保守的不确定性包络的及时指示。由于在目标日观测数据到达之前无法获得相应的误差,任务便是仅利用发布时可用的信息对单个已发布的预测进行排序。
循环、卷积-循环、基于分解和Transformer的模型大幅提升了短期建筑负荷预测的准确性[4]、[5]、[6]、[7]、[8]、[9]、[10]、[11]、[12]。这些研究主要通过RMSE、MAE、MAPE或CVRMSE报告整体预测精度。这些指标描述的是平均预测性能,但无法指示哪些已发布的24小时预测最有可能需要审查。近期的研究还考察了预测精度与计算效率之间的权衡、异质负荷的建模、分布偏移下的概率预测以及困难实例的拒绝机制[13]、[14]、[15]、[16]、[17]。
概率预测和预测区间描述的是围绕中心轨迹的不确定性。分位数回归、LUBE风格的神经区间、贝叶斯深度学习、蒙特卡洛dropout[18]、异方差建模和保形方法提供了通过PICP、宽度、Winkler分数、分位数损失和CRPS评估的分布或区间[15]、[19]、[20]、[21]、[22]、[23]、[24]、[25]、[26]、[27]、[28]、[29]、[30]。深度集成提供了一种基于独立拟合预测器的补充途径[31],而已发布区间的系统性覆盖不足仍然是另一个独立挑战[32]。这些方法描述的是围绕指定中心预测的不确定性,而本研究的任务是针对已发布的日轨迹的未来误差进行排序。
历史负荷离散度、剖面相似度、数据结构和训练长度已被用于表征预测难度[33]、[34]、[35]、[36]。其他研究估计单个预测的可靠性或允许不确定的案例被拒绝[16]、[37]、[38]、[39]、[40]、[41]。集成预测的离散度也与风和太阳能预测中的案例相关误差相关联[42]、[43],成员分歧被用作具有拒绝选项的回归中的实例难度信号[17]。这些研究将预测离散度与案例特定难度联系起来[44]。现有的可靠性和选择性预测方法估计置信度或定义接受策略。本研究转而评估从模型输出派生的序数评分,以在固定审查预算下对已发布的24小时预测进行优先排序。它既不训练额外的风险模型,也不将未标记的预测解释为经过校准的安全子集。跨架构分歧是否比验证误差和模型特定不确定性更能有效地对日级建筑负荷误差进行排序仍然不清楚。
因此,我们检验跨预测架构的分歧能否在匹配的目标日、误差指标和发布时信息下对未来预测误差进行排序。DLinear在主要运行分析中固定作为参考中心,而专用的不确定性方法则通过与各自预测中心匹配的比较进行评估。该分析使用成对的预测对象和推断程序,以保留共享站点的结构和时间依赖性。
五个残差预测器,即LSTM、Attention-CNN-LSTM、DLinear、PatchTST和iTransformer,提供用于计算RSD和SD的发布轨迹。主要评估涵盖来自6个BDG2站点的18个预测对象[45],外部重复验证使用四个独立的公开数据集。分歧与DLinear验证误差、Q区间宽度、MC-dropout离散度和同架构多种子离散度进行比较。RSD和SD是经验排序评分;校准概率和误差边界仍然是单独的预测产品。
本研究做出了三项贡献。首先,它评估已发布的24小时预测是否可以在其误差被观测之前进行排序。其次,它使用各自的预测中心、保留依赖性的成对推断和若干审查预算,将跨架构离散度与匹配的验证误差和模型特定不确定性评分进行比较。第三,它刻画了投资组合冗余度、未标记的高误差日、条件区间可靠性以及四个外部公开数据集中分歧与误差关联的一致性。

章节片段

问题设定与预测前排序协议

一个预测对象的完整目标日预测是分析单元。信息按发布时是否可用进行划分。历史观测值、日历或气象代理输入、验证误差和已发布的预测产品在之前即可用;目标日误差、区间命中和概率分数则是在之后计算。因此,中心预测、预测区间和分歧评分分别扮演三个不同的角色:负荷估计、不确定性

通用预测协议的实证基础

三项互补性检查支持后续风险排序分析中使用的通用预测协议:训练窗口长度与参考中心选择、发布时输入接口和残差目标。
图3总结了15窗口筛选。在预设的60天窗口下,五个模型和18个预测对象等权后CVRMSE为21.013%。筛选网格中的最小值为140天时的20.533%。DLinear在56天、60天……

结论

在6个BDG2站点的18个电力、制冷和供暖预测对象中,五个预测器之间的分歧在固定DLinear中心的误差上的预测前排序性能强于匹配的验证误差基线。在所有对象等权处理后,RSD与目标日CVRMSE之间的Spearman相关系数为0.530,而验证CVRMSE的相应值为0.407。SD与RMSE之间的相应相关系数为0.564,而……的相应值为0.461

CRediT作者贡献声明

邓云王: 验证、资源、项目管理、资金获取。陈升鹏: 验证、资源、项目管理、资金获取。耿晓雅: 撰写——审阅与编辑、方法论、形式化分析。徐博: 监督、资金获取、概念设计。陈真前: 监督、资金获取、概念设计。Zhengyang Wang: 撰写——初稿、软件、方法论、调查、形式化分析、数据管理、概念设计

数据可用性

主要分析中使用的原始建筑负荷和气象数据可在建筑数据基因组计划2仓储中公开获取(https://github.com/buds-lab/building-data-genome-project-2)。四个外部重复验证数据集可在其持久仓储中公开获取:HEEW(https://doi.org/10.6084/m9.figshare.28425647.v1)、本田智能公司建筑数据集(https://doi.org/10.5061/dryad.73n5tb363)、北九州校区数据集(//doi.org/10.6084/m9.figshare.24978645

生成式AI及AI辅助技术在写作过程中的声明

在准备本工作期间,作者使用了ChatGPT来提升语言清晰度、优化措辞并改善整体可读性。使用此工具后,作者根据需要对内容进行了审阅和编辑,并对手稿的准确性和完整性承担全部责任。

资助

本工作得到了国家重点研发计划(资助编号:2024YFB4007400,质子交换膜燃料电池与热泵耦合电-汽联供关键技术)的支持。

利益冲突声明

? 作者声明以下财务利益/个人关系,可能被视为潜在的利益冲突:陈真前报告获得了中华人民共和国科学技术部的资金支持。如果存在其他作者,他们声明不存在已知的利益冲突财务利益或个人关系,这些关系可能影响本论文所报告的工作。

致谢

作者感谢建筑数据基因组计划2、HEEW、本田智能公司建筑、北九州校区和NEST数据集的贡献者,感谢他们使建筑能源数据得以公开。
郑扬王|邓云王|陈升鹏|耿晓雅|徐博|陈真前
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