基于粒度与可辩护原则的区间模型用于电力负荷预测

这对日常用电为何重要

保持供电稳定是项精细的平衡工作。电力公司必须始终准备足够的电力以满足需求，但又不能多到浪费燃料和资金。本文研究了一种新的方法，用来预测一个地区未来几个月到几年对电力的需求，同时诚实地呈现这些预测的不确定性。这对依赖可靠、可负担且日益低碳的电力系统的每个人都很重要。

从单一猜测到安全区间

大多数传统预测工具只给出一个未来电力需求的单值，例如“电网明天18点需要5000兆瓦”。这些点预测在短期内可能非常准确，但放眼更长时间时就变得不稳，因为需求受天气变化、经济增长和诸如电动汽车充电等行为改变的影响。近年来的机器学习与深度学习方法提高了准确度，但它们通常仍输出一个“最佳猜测”，并且常把不确定性隐藏在复杂的概率假设之后，令运行者和监管者难以解读。

以块状思维代替点状思维

作者提出了不同的思路：不去押注单一数值，而是预测区间——即真实需求很可能落入的安全范围。为构建这些区间，他们采用了所谓的“粒计算”理念，将数据视作有意义的块（或“粒”），而非孤立的点。对于电力需求，每个粒都是围绕中心值（如日或周的中位负荷）的一段区间，用以捕捉负荷的波动幅度。以此类粒工作有助于平滑随机噪声，使跨日、周、月的模式更清晰，并更真实地呈现未来不确定性的程度。

在宽泛与精确之间取舍

一个关键挑战是决定每个区间应有多宽。若区间过宽，它虽几乎总能包含真实需求，但对规划而言过于笼统而失去价值；若过窄，可能遗漏真实数值，带来虚假的确定感。研究者通过定义两个简单度量来应对这一问题：“覆盖率”，即落在给定区间内的实际值比例；以及“特异性”，衡量该区间有多窄且信息量多大。他们将二者合成一个称为可辩护指数（justification index）的单一评分。方法随后搜索使该评分最大化的区间，自动排除极端情况——既不会选择能解释一切但毫无用处的超宽区间，也不会选择漏掉太多真实点的过窄区间。

在真实电力系统上的检验

为检验该方法的实际效果，团队使用了阿曼主电网从2020到2023年按30分钟记录的四年数据。他们用2020–2022年的数据构建并调优区间，然后检验这些区间对2023年未见负荷的覆盖表现。他们构建了日、周和月尺度的区间，并将其与更常见的预测工具比较，如回归模型、决策树、深度学习网络以及分位数回归和符合性预测等概率方法。通过“重叠”度量评估预测区间与直接从2023年数据构建区间的吻合程度。结果表明，从日粒度过渡到周和月粒度时，区间变得更稳定、更符合现实且更易解释。

新区间揭示的电网情况

分析带来若干实用见解。首先，将数据在更长周期上聚合（如周或月）显著提高了预测的可靠性，因为日常波动被平滑掉。其次，优化后的区间在多年实际需求上表现出清晰且一致的匹配，表明该方法具有良好的泛化性，而不是仅对某一年过拟合。第三，研究系统中的工作日与周末需求出乎意料地相似，暗示无需为两者分别建立模型。与其他基于区间的预测方法相比，可辩护粒方法在保持区间相对紧致的同时提供有竞争力的覆盖率，且无需对数据假设任何特定统计分布。

这如何帮助保持电网可靠

对非专业人士而言，主要结论很直接：该方法不是掩盖不确定性，而是使其可见且可用。电网运营者可以围绕一个现实的可能需求区间来规划发电、备用容量与检修，而不是依赖一个脆弱的单点预测。下界告诉他们可以安全缩减的容量量，上界则指示在高温天、经济激增或其他意外情况下应准备的备用量。通过以透明、数据驱动的方式表达不确定性，这些区间预测有助于建设更具弹性、更具成本效益且最终更可持续的电力系统。

引用: Al-Hmouz, R., Mansouri, M., Al-Badi, A. et al. Electric-load forecasting using interval models based on granularity and justifiable principles. Sci Rep 16, 7722 (2026). https://doi.org/10.1038/s41598-026-39571-8

关键词: 电力负荷预测, 不确定性区间, 粒计算, 电网规划, 能源时间序列