《Battery Energy》:Enhancing Power System Flexibility Using AI-Based Forecasting Techniques: A Comparative Study
编辑推荐:
本文系统比较了XGBoost、LSTM、GRU、1D-CNN、SARIMA、Prophet及Seasonal Naive等七种模型在商业建筑小时级电力负荷预测中的表现。研究结果表明,在结构化时序数据(17,016个样本)及丰富特征工程(自回归滞后特征解释69.5%方差)的背景下,XGBoost模型(MAE=6.29 kW, MAPE=3.5%)凭借其处理非线性关系及特征交互的能力,显著优于深度学习模型(GRU: 10.95 kW)及传统统计方法(SARIMA: 48.16 kW),为电力系统灵活性管理提供了高置信度的决策依据。
1 引言
随着可再生能源并网比例的提高及智能电网技术的发展,提升电力系统灵活性已成为保障电网稳定运行的关键。负荷预测作为增强系统灵活性的核心策略,其准确性直接关系到能源调度与需求侧管理的有效性。传统统计方法在处理建筑能耗的非平稳、非线性及多重季节性模式时往往表现不佳。近年来,人工智能(AI)与机器学习(ML)技术凭借其强大的模式识别能力,在负荷预测领域展现出巨大潜力。
本研究旨在通过对比七种前沿预测模型,为商业建筑能耗预测提供实证依据。这些模型涵盖了从经典统计方法到现代机器学习及深度学习架构的广泛谱系,包括Prophet、XGBoost、LSTM、GRU及1D-CNN等。其中,XGBoost作为一种优化的梯度提升框架,以其处理结构化数据及特征交互的能力著称;而LSTM和GRU等循环神经网络则专为捕捉序列数据中的长期依赖关系而设计。通过在一座商业办公建筑2024-2025年的小时级能耗数据上进行系统评估,本研究旨在回答一个关键问题:在建筑能耗预测这一特定场景下,哪种模型架构能够提供最准确、最可靠的预测结果?
2 数据来源与数据集描述
本研究采用的数据集来源于ASHRAE 90.1-2004 DOE商业原型模型,并结合典型气象年(TMY3)数据进行模拟。该数据集包含亚利桑那州凤凰城一座商业建筑的小时级能耗数据,涵盖了电力(总用电、风扇、制冷、制热、室内照明、设备)及燃气(总用气、制热、设备、热水器)等多个维度的消耗信息。
数据预处理过程确保了数据的完整性与准确性。原始日期/时间字符串被转换为标准的datetime对象,并检查了重复项和缺失值,最终形成了一个包含8760小时(一个非闰年)的连续时间序列。数据集经过精心清洗,为后续的模型训练与评估奠定了坚实基础。
2.3 负荷曲线分析
通过对负荷曲线的深入分析,可以清晰地识别出建筑能耗的典型模式。可视化结果显示,电力消耗呈现出显著的日周期和季节性变化。夏季月份由于制冷需求增加,用电量普遍较高;而冬季月份则因采暖需求,燃气消耗量上升。
分位数线图进一步揭示了工作日与周末的负荷差异。工作日通常呈现双峰模式(上午和下午各一个高峰),而周末的负荷曲线则相对平坦。幽灵线图(Ghost Line Plot)通过叠加所有日负荷曲线,直观地展示了负荷行为的规律性,其中颜色较深的区域代表高度一致的负荷行为(如夜间基础负荷),而颜色较浅的区域则反映了负荷的变异性或异常。
2.4 时间序列分解
为了更深入地理解负荷模式,研究对小时级负荷序列进行了分解,将其拆分为趋势、季节性和残差三个组成部分。分解结果显示,原始序列中存在明显的日周期(24小时)和较小的周模式。趋势成分反映了用电量的长期走向,夏季月份因制冷需求增加而呈现上升趋势;季节性成分则捕捉了每日重复的用电模式;残差成分则包含了无法被趋势和季节性解释的随机波动,可用于识别潜在的异常事件。
2.5 峰值负荷识别
识别峰值负荷对于电网规划和需求侧管理至关重要。分析发现,电力负荷的峰值出现在2024年8月10日16:00,约为387.95 kW;而燃气负荷的峰值则出现在2024年1月17日06:00,约为200.97 kW。这些峰值点通常与极端天气条件或特定的运营活动相关。
3 异常检测
为了识别数据中的异常点,本研究采用了两种异常检测技术:Z-score方法和孤立森林(Isolation Forest)算法。
3.1 基于Z-score的异常检测
Z-score方法通过计算每个数据点与均值的标准差倍数来量化其偏离程度。设定阈值后,可以识别出统计上显著的异常点。应用该方法后,电力消耗数据中未检测到显著异常,而燃气消耗数据则在1月份的清晨时段检测到多个异常点,表现为异常高的用气量。
3.2 基于孤立森林的异常检测
孤立森林算法通过随机选择特征和分割值来“隔离”数据点。由于异常点通常数量少且与正常点差异大,因此更容易被隔离。该算法被应用于电力消耗数据,设定污染因子为0.01(即预计1%的数据为异常)。检测结果以红色标记显示,成功识别出与典型用电模式存在显著偏差的异常时段,这些异常可能指示了设备故障或非预期的占用情况。
4 预测建模技术
4.1 特征工程与超参数调优
为了给模型提供充分的上下文信息,研究构建了一个全面的特征工程管道。数据集被划分为训练集和测试集,其中最后14天(336个样本)作为测试集,用于评估模型在未见数据上的泛化能力。
特征工程包括:
- •
时间特征提取:从时间戳中提取了小时、星期几、月份等特征,以捕捉日、周、年周期。
- •
分类特征:创建了“是否为周末”的二元特征,以区分工作日与周末的负荷模式。
- •
自回归与时序上下文特征:引入了滞后特征(lag_1h, lag_2h, lag_24h, lag_168h)和滚动窗口统计量(24小时滚动均值和标准差),以提供历史上下文信息。
为了确保模型性能的鲁棒性,研究采用了GridSearchCV结合TimeSeriesSplit(n_splits=3)的方法对XGBoost模型进行超参数调优,以防止数据泄露并确保参数泛化能力。最终优化的XGBoost超参数包括:n_estimators=500, learning_rate=0.05, max_depth=5, reg_lambda=1。
4.2 经典基线模型
为了量化AI模型的改进程度,研究实现了两种经典的统计预测模型作为基线:
- •
季节性朴素模型(Seasonal Naive):该模型将未来任意时刻的预测值设定为恰好一周(168小时)前的观测值。它有效地捕捉了建筑用电中存在的强周季节性。
- •
季节性自回归综合移动平均模型(SARIMA):该模型能够同时捕捉非季节性成分和季节性依赖关系。本研究采用SARIMA(1,1,1)(1,1,1,24)模型,以考虑小时级用电数据中的24小时(日)季节性。
4.3 统计预测模型
- •
Prophet:由Meta开发的时间序列预测工具,能够有效处理缺失数据和异常值。它将时间序列分解为趋势、季节性和节假日效应的加性组合,特别适用于非平稳数据。
4.4 机器学习模型
- •
XGBoost(极限梯度提升):一种优化的梯度提升框架,通过顺序构建决策树集成来纠正前序树的错误。它能够有效捕捉特征间的非线性关系和交互作用。
4.5 深度学习模型
为了探索神经网络架构在电力负荷预测中的潜力,研究实现了三种不同的深度学习模型,均采用24小时回溯窗口(lookback window)作为时序上下文:
- •
长短期记忆网络(LSTM):一种特殊的循环神经网络,通过门控机制(输入门、遗忘门、输出门)来调节信息流,能够学习序列数据中的长期依赖关系。
- •
门控循环单元(GRU):LSTM的一种变体,结构更简单,参数更少,但性能相当,训练速度更快。
- •
一维卷积神经网络(1D-CNN):通过学习的卷积滤波器捕捉局部时序模式。本研究采用受时序卷积网络(TCN)启发的架构,使用因果填充(causal padding)确保不泄露未来信息。
所有深度学习模型均使用Adam优化器(学习率0.001)、均方误差(MSE)损失函数进行训练,并采用早停法(early stopping)来防止过拟合。
4.6 模型评估指标
所有模型均在测试集上使用两个标准指标进行评估:
- •
平均绝对误差(MAE):衡量预测误差的平均幅度,单位为kW,具有直观的可解释性。
- •
均方根误差(RMSE):对较大误差给予更大惩罚,反映了模型处理异常值的能力和整体预测质量。
5 结果
5.1 模型性能对比
七种预测模型在测试集(336个样本)上的评估结果如下表所示,按预测误差升序排列:
排名 | 模型 | MAE (kW) | RMSE (kW) |
|---|
1 | XGBoost | 6.29 | 8.69 |
2 | GRU | 10.95 | 14.13 |
3 | 1D-CNN | 11.86 | 16.28 |
4 | LSTM | 14.98 | 21.54 |
5 | 季节性朴素 | 16.15 | 29.28 |
6 | Prophet | 35.72 | 42.51 |
7 | SARIMA | 48.16 | 53.31 |
XGBoost模型以绝对优势胜出,其MAE(6.29 kW)比排名第二的GRU模型(10.95 kW)低42.5%,比季节性朴素基线(16.15 kW)低61.1%。而传统的统计模型(SARIMA和Prophet)则表现不佳,预测误差显著高于其他模型。
5.2 讨论
5.2.1 XGBoost优越性能的解释
XGBoost的卓越表现源于其架构与问题结构的根本契合。建筑用电消耗本质上是一个结构化的表格预测问题。经过精心设计的特征集(10个特征)通过领域特定的表征(如小时、月份、滞后特征)捕捉了主要的预测信息。树模型天然擅长处理结构化、低维度的特征,而无需降维或学习层次化表征。滞后特征的直接可用性,使得序列神经网络架构的理论优势在很大程度上被抵消。
此外,XGBoost的迭代提升过程具有内在的稳定性,通过显式地针对残差进行优化,在超参数敏感性较低的情况下实现单调的性能提升。相比之下,神经网络在相同的训练预算下表现出更大的收敛变异性。最后,数据集规模(17,016个训练样本)处于树模型在表格数据上通常优于深度学习的范围内。
5.2.2 深度学习表现不佳:架构不匹配
三种深度学习架构的持续表现不佳,反映了其与问题需求之间的特定不匹配。
LSTM和GRU架构是为序列建模任务(如机器翻译、语音识别)而开发的,这些任务中跨越50-1000个时间步的序列上下文提供了其他方式无法获得的预测信息。对于建筑用电预测(24小时回溯窗口,单小时预测),这些架构远未达到其设计规格。GRU的性能优于LSTM,表明LSTM的额外复杂性并未带来益处,甚至更简单的循环变体可能表现相当,这表明循环机制本身并不适合此问题。
一维卷积神经网络擅长学习局部空间模式。然而,建筑用电消耗表现出非局部依赖性(如上午的占用模式影响午后的制冷负荷)。1D-CNN的MAE为11.86 kW,表现不如GRU,表明从17,000个样本中学习局部卷积滤波器,相比基于预设计全局特征的树模型分裂,效率较低。
5.2.3 经典统计模型的失败
Prophet和SARIMA模型的灾难性表现反映了其在建筑能耗预测方面的根本不足。SARIMA的理论基础建立在线性自回归过程和平稳性假设之上,而建筑用电消耗从根本上违反了这两个假设。建筑负荷表现出乘性而非加性季节性,并且具有多个重叠的季节性模式(小时、日、周、月),这超出了SARIMA处理单个季节性分量的能力。
Prophet将时间序列分解为加性趋势、季节性和节假日分量,这一框架在概念上适用于商业指标,但不适用于建筑能耗。其加性季节性假设与建筑负荷的乘性特性不符。Prophet的分段线性趋势模型无法捕捉叠加在基础趋势上的确定性日/周循环。这些局限性共同解释了Prophet相对于XGBoost的巨大性能差距。
5.3 统计显著性检验
为了验证性能差异的统计显著性,研究对测试集上的配对绝对预测误差进行了非参数Wilcoxon符号秩检验。检验结果表明,XGBoost与LSTM之间,以及XGBoost与季节性朴素基线之间的性能差异均具有高度统计显著性(p < 0.05),证实了XGBoost模型的优越性并非偶然。
5.4 预测结果可视化分析
预测结果的可视化分析进一步印证了定量排名的结果。XGBoost的预测曲线(蓝色虚线)与实际负荷(黑线)高度吻合,能够准确捕捉每日的尖峰(260-280 kW)和谷值(70-85 kW),并能清晰区分工作日与周末模式。相比之下,LSTM的预测曲线(橙色虚线)在负荷快速变化的时段(如早晨爬坡和傍晚下降期)偏差较大,并且在节假日期间产生虚假峰值。季节性朴素模型的预测(绿色虚线)虽然捕捉了周季节性,但存在系统性偏差,在峰值时段预测不足,在谷值时段预测过高。
6 结论与未来工作
6.1 结论
本研究对七种建筑电力负荷预测模型进行了严谨的比较评估。XGBoost被证明是最优的预测方法,其MAE为6.29 kW,比表现最好的深度学习模型(GRU)提升了42.5%,比季节性朴素基线提升了61.1%。统计检验证实了这些差异的显著性。
深度学习模型的表现意外地逊于树模型,这反映了数据集规模适中、特征工程全面以及预测范围较短的综合效应。而经典统计模型(SARIMA, Prophet)则表现出根本性的不足,无法有效建模建筑负荷的非平稳、非线性和多重季节性特征。
从实践角度看,XGBoost模型3.5%的平均绝对百分比误差(MAPE)为高置信度的运营决策提供了支持。暖通空调(HVAC)系统可以在负荷高峰前2-4小时进行预调节,需求响应参与成为可能,能源采购可以减少现货市场风险。±6.3 kW的误差范围也为设备故障识别和预防性维护建立了可靠的异常检测基线。
6.2 未来工作
未来的研究方向包括:整合来自智能电表和物联网(IoT)设备的实时数据以提升预测精度;开发混合模型(如结合LSTM与XGBoost)以同时捕捉时序和非线性关系;在云平台上实现模型的可扩展性和实时部署;将更丰富的上下文信息(如天气、占用模式、设备状态)纳入异常检测;以及研究这些AI方法在政策和经济层面的影响,以指导其在现代电力系统中的成本效益和合规性应用。