.png){kind=icon}
返回
Electricity Demand Forecasting Based on Flexibility Characterization
.png){kind=icon}
PRE
AI
DOI：10.3390/electricity7020027.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
电力需求预测对于优化微电网和机构环境中的能源管理和规划至关重要。本文旨在阐明灵活性特征如何作为预测的结构性基础，提供一个超越传统方法局限性的情境化框架。代表性轨迹（A-D）源自熵和变异性指标，从历史用户数据中整合并用作建模基础。实施了两种互补方法：捕捉内生动态的ARIMA模型，以及通过纳入外生周期变量（小时、星期几、月份）和滞后预测因子来扩展此能力的ARX模型。进行了系统网格搜索以识别最佳参数配置，随后通过具有24小时预测范围、适用于微电网运营商、机构经理和能源规划者的滚动预测进行验证。使用MAE、RMSE、MAPE和SMAPE评估性能，确保跨轨迹的可比性。结果显示，ARIMA在稳定轨迹（A和C）中始终实现较低误差率，SMAPE值约为2.0%，而ARX在不规则轨迹（B和C）中提供了显著改进，将SMAPE从3.7-5.9%降低至约2.2-2.6%。在高度不规则剖面（D）中，所有模型收敛至相似精度（SMAPE约9.0%）。应用于单个用户时，预测误差因轨迹分配而异：稳定用户的SMAPE值约为3-4%，而不规则用户表现出更高误差，超过18-21%。与将特征化和预测作为独立过程处理的常规方法不同，本研究将两者整合到统一框架中，使预测能够捕捉稳定性、周期性和适应性。该方法论通过将用户分配到代表性轨迹并通过基线缩放调整预测，进一步应用于单个用户。总体而言，研究发现将预测嵌入特征化轨迹中可将预测转化为灵活性情境化分析，实现准确短期预测并支持能源规划、需求管理和经济调度的实际应用。该框架旨在支持从微电网和机构系统到更大地域和国家尺度的多种环境中的电力需求预测。通过情境校准，该方法确保了适应性和更广泛的能源预测与需求侧管理相关性。
Keyword:
smartmetering
energy flexibility
electricity demand forecasting
autoregressive integrated moving average (ARIMA)
autoregressive with exogenous variables (ARX)
trajectory-based modeling
demand-side management
