
-
生物通官微
陪你抓住生命科技
跳动的脉搏
面向高分布式发电渗透场景的社区级混合需求-发电自适应净负荷预测模型
《Scientific Reports》:An adaptive hybrid forecasting framework for community net load considering distributed generation and nonlinear demand dynamics
【字体: 大 中 小 】 时间:2026年10月01日 来源:Scientific Reports 4.9
编辑推荐:
摘要分布式发电(DPG)渗透率的不断提高给社区级电力需求预测引入了显著的Uncertain性(不确定性)和非线性特征。传统的预测方法主要依赖历史消费模式,往往无法捕捉消费者需求、本地发电以及快速变化的负荷行为之间的交互关系。本文提出了一种面向高分布式发电渗透场景的混合需求-发
分布式发电(DPG)渗透率的不断提高给社区级电力需求预测引入了显著的Uncertain性(不确定性)和非线性特征。传统的预测方法主要依赖历史消费模式,往往无法捕捉消费者需求、本地发电以及快速变化的负荷行为之间的交互关系。本文提出了一种面向高分布式发电渗透场景的混合需求-发电自适应预测模型(HDGMA-FM),用于社区净负荷预测。所提出的框架将基于线性ARIMAX的预测分支与非线性时间核学习分支相结合,能够同时对可解释的时间趋势和复杂的非线性需求变化进行建模。引入了一种自适应融合机制,根据变化的负荷特征动态平衡线性与非线性表示的贡献。此外,开发了一种分布式发电感知的净需求公式,以明确描述本地可再生能源发电对电网侧需求的影响。在不同分布式发电渗透场景下的大量实验表明,HDGMA-FM在MSE、RMSE、MAE和MAPE方面始终优于ARIMAX、LSTM和CNN-LSTM基准模型。消融分析验证了非线性特征学习和自适应融合组件的有效性,统计显著性检验则确认了性能提升的可靠性。所提出的框架为社区级智能电网提供了准确且具有可解释性的预测解决方案,并支持可再生能源丰富能源系统中的未来需求侧管理应用。