[论文解读] Electrical peak demand forecasting- A review

Shuang Dai, Fanlin Meng+3 more|arXiv (Cornell University)|Aug 3, 2021

Energy Load and Power Forecasting参考文献 155被引用 4

一句话总结

本文全面综述了电力峰值负荷预测方法，将139项研究划分为三个发展阶段，并分析了机器学习、深度学习及聚类等技术。研究识别出数据隐私和模型可解释性等关键挑战，并主张通过联邦学习与领域知识融合来提升智能电网中的预测精度。

ABSTRACT

The power system is undergoing rapid evolution with the roll-out of advanced metering infrastructure and local energy applications (e.g. electric vehicles) as well as the increasing penetration of intermittent renewable energy at both transmission and distribution level, which characterizes the peak load demand with stronger randomness and less predictability and therefore poses a threat to the power grid security. Since storing large quantities of electricity to satisfy load demand is neither economically nor environmentally friendly, effective peak demand management strategies and reliable peak load forecast methods become essential for optimizing the power system operations. To this end, this paper provides a timely and comprehensive overview of peak load demand forecast methods in the literature. To our best knowledge, this is the first comprehensive review on such topic. In this paper we first give a precise and unified problem definition of peak load demand forecast. Second, 139 papers on peak load forecast methods were systematically reviewed where methods were classified into different stages based on the timeline. Thirdly, a comparative analysis of peak load forecast methods are summarized and different optimizing methods to improve the forecast performance are discussed. The paper ends with a comprehensive summary of the reviewed papers and a discussion of potential future research directions.

研究动机与目标

• 为现代电力系统中的峰值负荷需求预测提供统一且精确的问题定义。
• 系统性回顾139篇经同行评审的峰值负荷预测方法研究，按时间发展脉络划分为不同阶段。
• 对比各类预测模型的性能，包括传统统计方法与现代机器学习方法。
• 识别关键挑战，如数据隐私、模型可解释性，以及极端天气对预测精度的影响。
• 提出未来研究方向，包括联邦学习以及在预测框架中整合领域知识。

提出的方法

• 作者对139篇关于峰值负荷预测的论文进行了系统性文献综述，按历史发展阶段划分为经典、先进和现代三个阶段。
• 根据数据类型（如时间序列、气象、经济数据）和模型架构（如ARIMA、SVM、LSTM、XGBoost）对预测方法进行分类。
• 评估了聚类、特征工程及混合建模等性能增强技术，以提升预测精度。
• 综述强调了高分辨率智能电表数据的作用，以及在多源数据融合中采用联邦学习等隐私保护方法的必要性。
• 领域知识被确认为解释基于聚类的负荷模式的关键因素，尤其是在本地（如社区）层面。
• 该框架整合了利益相关方视角（电网运营商、售电商、终端用户），以确保预测目标与实际运行需求保持一致。

实验结果

研究问题

• RQ1 影响峰值负荷需求的关键因素有哪些？如何在预测框架中一致地定义这些因素？
• RQ2 峰值负荷预测方法随时间如何演变？经典、先进与现代发展阶段之间有何区别？
• RQ3 哪些机器学习与深度学习技术在提升峰值负荷预测精度方面最为有效？
• RQ4 极端天气事件与人类行为如何影响预测性能，尤其是在细分层面（如社区）？
• RQ5 在数据隐私与多机构数据共享方面存在哪些主要挑战？联邦学习如何支持安全的预测？

主要发现

• 峰值负荷预测对电网安全、成本降低以及电力市场各利益相关方实施需求响应策略至关重要。
• 整合气温最高/最低值与湿度等气象变量可显著提升预测精度，尤其在极端天气事件期间。
• 基于聚类的方法具有潜力，但其有意义的解释高度依赖于领域知识，凸显了整合上下文信息的迫切需求。
• 在本地层面（如社区或居民用户），人类行为引入更高随机性，使得细分层面的预测比区域聚合预测更具挑战性。
• 在多机构数据整合中，数据隐私与安全是主要关切；联邦学习被识别为实现安全、隐私保护模型训练的关键未来方向。
• 尽管技术不断进步，但尚无单一模型在所有条件下均优于其他模型——模型选择必须基于具体情境，综合考虑数据质量、分辨率与预测时间范围。