ClimateEdge:面向气候胁迫智能电网实时需求响应的轻量级天气增强LSTM框架

《Frontiers in Artificial Intelligence》:ClimateEdge: a lightweight weather-augmented LSTM framework for real-time demand response in climate-stressed smart grids

【字体: 大 中 小 】 时间:2026年10月22日 来源:Frontiers in Artificial Intelligence 6.7

编辑推荐:

  气候变化驱动的极端天气事件会在准确预测最为关键、且基于云的推理延迟不可接受的时刻,对电网造成非线性负荷激增。本文提出ClimateEdge,一个轻量级框架,集成天气增强特征构建、带时间注意力的气候增强长短期记忆(CE-LSTM)架构,以及INT8训练后量化流水

  
气候变化驱动的极端天气事件会在准确预测最为关键、且基于云的推理延迟不可接受的时刻,对电网造成非线性负荷激增。本文提出ClimateEdge,一个轻量级框架,集成天气增强特征构建、带时间注意力的气候增强长短期记忆(CE-LSTM)架构,以及INT8训练后量化流水线,以在NVIDIA Jetson Nano边缘设备上实现实时需求响应推理。该框架在两个跨越对比气候情景的电网数据集上评估:加州独立系统运营商(CAISO)夏季热浪语料,覆盖2020年6月至2022年9月,小时分辨率,包含20,422条记录和1,228次极端高温事件;以及ISO新英格兰(ISONE)冬季寒潮语料,覆盖2023年7月至2024年2月,包含5,813条记录和210次极端寒冷事件。在两种情况下,CE-LSTM均优于包括全尺寸iTransformer在内的五个基线模型:在CAISO极端天气分区上达到平均绝对误差(MAE)471.8 MW和平均绝对百分比误差(MAPE)1.55%,较次优基线提升21.1%;在ISONE极端天气分区上达到MAE 329.6 MW和MAPE 2.31%,提升19.4%。INT8量化的CE-LSTM在Jetson Nano上以每推理步9.2 ms运行,运行时内存占用8.1 MB,功耗3.4 W,相较FP32(32位浮点)基线实现3.65×延迟加速,代价是相对MAE增加低于1%。消融研究证实,天气增强特征贡献了最大的精度提升份额,并且时间注意力在热浪和寒潮事件期间均对气候胁迫时间步加权提升。
现代电网通常假设负荷沿历史轨迹演化,并据此安排发电容量、分配输电负荷和预置备用;但气候变化提高了全球极端天气事件的频率和严重程度。此类事件不仅使需求上升或下降,还会改变负荷的分布特征,使历史训练数据难以预判,从而在电网稳定最需要准确预测时产生误差。为缓解意外负荷激增导致的停电风险,电网运营商依赖需求响应(demand response, DR)计划;CAISO语料中2022年9月6日峰值达51,096.67 MW,ISONE在2024年1—2月深冻事件中需求超过23,000 MW并伴随燃料供应约束,均说明核心故障具有信息性。现有研究一方面用CNN、SVR、LSTM等提高预测精度并引入气象协变量,另一方面关注模型压缩与边缘部署;但尚缺乏在同一系统中同时处理极端天气精度、边缘可部署性和结构化DR输出的框架。已有天气感知预测器多在极端事件占少数的年度测试集上验证,边缘部署研究又常面向工业设备异常检测而非能源系统极端天气数据。为此,研究人员提出ClimateEdge,以天气增强特征流水线、带天气加权损失的气候增强LSTM和INT8边缘部署流水线三个耦合组件,在CAISO夏季热浪与ISONE冬季寒潮两个独立电网数据集上评估完整系统。其重要意义在于将极端天气预测精度、边缘低延迟推理和可操作DR告警整合为端到端框架,并在两个对比气候情景中提供可迁移性证据。

关键技术方法可概括为:研究人员通过gridstatus库获取CAISO和ISONE电网负荷,通过Open-Meteo历史天气API获取Sacramento和Boston气象数据;构建7个输入特征、24步回看窗口和6步预测目标,并派生天气严重指数(Weather Severity Index, Sw)与极端天气标志(fext);采用三层堆叠LSTM(512/256/128隐藏单元)加时间注意力及天气加权损失训练CE-LSTM;使用静态INT8训练后量化导出TensorFlow Lite(TFLite)模型;在Jetson Nano上部署并运行四阶段DR决策算法;以五个基线、三项指标、五次随机种子及极端天气子集评估。样本队列来源为CAISO 2020年6月—2022年9月20,422条记录和ISONE 2023年7月—2024年2月5,813条记录。

研究结果如下。6.1 训练收敛:研究人员通过训练损失与极端天气验证损失曲线观察两数据集上的CE-LSTM,发现两条曲线稳定收敛且验证损失未上 diverg,早停检查点对应最小验证损失,说明天气加权损失与dropout共同抑制过拟合。6.2 极端天气分区上的预测性能:研究人员在CAISO 389条和ISONE 58条极端天气测试子集上对六个模型进行五次运行比较,CE-LSTM在两项数据集的MAE、RMSE和MAPE上均为最低,并显著优于iTransformer;CAISO为471.8 MW、1.55%,较iTransformer提升21.1%、较Vanilla LSTM提升44.9%;ISONE为329.6 MW、2.31%,较iTransformer提升19.4%、较Vanilla LSTM提升39.9%;TinyLSTM边缘效率更高但精度明显不足,定性72小时对比中CE-LSTM在峰值窗口跟踪误差更低。6.3 Jetson Nano边缘性能:研究人员在持续推理负载下对INT8量化模型测量300次连续推理,CE-LSTM INT8达到8.1 MB内存、9.2 ms/步、3.4 W功耗和23% CPU利用率,较FP32实现3.65×加速和3.68×内存降低;TinyLSTM更小但CAISO极端天气MAE高2.54×,iTransformer INT8为104.6 MB,超出Jetson Nano实用部署范围。6.4 消融研究:6.4.1 天气特征增强:在CAISO极端天气测试分区逐项移除特征后,移除全部天气特征使MAE增加48.0%,移除fext增加31.7%,移除温度增加21.6%,湿度、降水、风速为次要贡献;Sw权重±20%扰动最大MAE变化仅1.5%,说明对权重设定稳健。6.4.2 架构组件影响:移除时间注意力使CAISO极端天气MAE增加15.2%,将天气加权损失替换为标准MSE(λ=0)使极端天气MAE增加6.4%而全验证MAE无 measurable变化,说明注意力与加权损失主要提升极端天气子集。6.4.3 量化权衡:FP32为467.2 MW、33.6 ms,INT8为471.8 MW、9.2 ms(相对MAE增加0.98%,3.65×加速),INT4为589.7 MW、5.6 ms(相对增加26.2%),INT8位于帕累托最优点,INT4不适合安全关键电网应用。6.5 定性需求响应分析:研究人员通过CAISO三个代表性DR输出示例,显示决策引擎按预测峰值偏差(δ)相对容量阈值(Pth)映射为告警、削减或恢复等结构化动作,说明6步预测可转化为可操作告警。

讨论部分总结:讨论指出,二值fext零计算成本却在CAISO评估中带来31.7%的MAE降低,提示显式事件编码可能贡献较大;CAISO与ISONE两个对比气候情景下结果一致,支持方法在这两个特定条件下的可迁移性,但两个案例不足以确立广泛泛化;规则型DR决策引擎具有可解释、可审计优势,学习型DR策略需额外数据并留作未来工作。局限包括:两数据集时段有限,ISONE极端测试仅58条,CAISO验证集极端记录仅18条,ISONE训练集极端记录仅8条;超参数统一网格搜索后共享于各深度学习基线而非逐架构调优;每个电网运营商仅用单一地理参考点气象;DR引擎使用固定Pth;两个美国ISO市场的结果未必推广到其他需求特征电网。

研究结论部分翻译:本文提出ClimateEdge,一个用于极端天气条件下智能电网实时需求响应的端到端框架,并在两个独立电网数据集上评估。研究展示三项核心贡献:包含天气严重指数和极端天气二值标志的天气增强特征流水线;结合堆叠LSTM层、时间注意力和天气加权损失的CE-LSTM;以及在Jetson Nano上以每推理步9.2 ms和8.1 MB运行时内存运行的INT8量化与DR决策流水线。在CAISO夏季热浪分区,CE-LSTM达到MAE 471.8 MW和MAPE 1.55%,较iTransformer提升21.1%,较Vanilla LSTM提升44.9%;在ISONE冬季寒潮分区达到MAE 329.6 MW和MAPE 2.31%,较iTransformer提升19.4%。INT8工作点实现3.65×延迟加速且精度退化低于1%,天气特征消融证实仅二值极端天气标志即贡献31.7%的MAE改善。两个不同电网运营商结果的一致性为这两个对比情景之间的可迁移性提供证据,但泛化性主张仍需在更多电网运营商上评估。未来工作聚焦四个方向:在更多电网运营商(包括高可再生能源渗透系统)上验证,以评估超出两个美国ISO市场的可迁移性;将数值天气预报数据作为附加输入以处理定性分析中发现的起始滞后误差;研究基于历史调度决策模仿学习的学习型DR策略组件,以补充当前规则引擎;鉴于框架强调极端条件和边缘运行,与Hierarchical Temporal Memory(HTM)这一替代预测范式比较,可能有助于研究设备端对天气驱动分布偏移的持续适应能力,而当前批量训练的CE-LSTM并不提供该能力。
相关新闻
生物通微信公众号
微信
新浪微博

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