利用人工智能对负荷和气象因素进行预测及概率情景生成

《IEEE Access》：Forecasting and Probabilistic Scenario Generation of Load and Meteorological Factors using Artificial Intelligence

　　

摘要：

预测电力负荷和气象因素对于包含可再生能源的现代电力系统的能源规划至关重要。然而，在使用递归策略进行短期预测以及生成一年或更长时间的未来模拟时，时间序列中的方差损失是一个问题。本研究提出了一个全面的模拟框架，该框架采用递归的一步预测模型，针对四个不同参数（电力负荷、风速、温度和太阳辐射）生成一年期的情景。在应用该方法时，评估了支持向量回归（SVR）、随机森林（RF）、极端梯度提升（XGBoost）和长短期记忆（LSTM）模型的适用性，并通过测试数据上的误差指标进行评估，结果表明LSTM模型的准确性最高。随后，使用LSTM模型实现了所提出的方法。接着开发了一个级联结构，以历史负荷数据和生成的未来数据作为输入，用于预测人口和温度。在采用所提出的递归策略进行的一年期模拟过程中，整合了时间分层残差自举方法，以防止方差衰减，成功保留了历史数据的统计特性。