[论文解读] Optimal Two-Tier Forecasting Power Generation Model in Smart Grids

Kianoosh G. Boroojeni, Shekoufeh Mokhtari+2 more|arXiv (Cornell University)|Feb 2, 2015

Energy Load and Power Forecasting参考文献 25被引用 23

一句话总结

本文提出了一种用于智能电网的两级预测模型，结合长期最大似然估计（MLE）与实时ARIMA建模，以提高对居民用电需求及分布式可再生能源发电的预测准确性。通过利用大容量发电来抵消ARIMA引起的高斯白噪声误差，该模型增强了系统充裕性与可靠性，尤其在可再生能源渗透率较高的情况下表现更优。

ABSTRACT

There has been an increasing trend in the electric power system from a centralized generation-driven grid to a more reliable, environmental friendly, and customer-driven grid. One of the most important issues which the designers of smart grids need to deal with is to forecast the fluctuations of power demand and generation in order to make the power system facilities more flexible to the variable nature of renewable power resources and demand-side. This paper proposes a novel two-tier scheme for forecasting the power demand and generation in a general residential electrical gird which uses the distributed renewable resources as the primary energy resource. The proposed forecasting scheme has two tiers: long-term demand/generation forecaster which is based on Maximum-Likelihood Estimator (MLE) and real-time demand/generation forecaster which is based on Auto-Regressive Integrated Moving-Average (ARIMA) model. The paper also shows that how bulk generation improves the adequacy of proposed residential system by canceling-out the forecasters estimation errors which are in the form of Gaussian White noises.

研究动机与目标

• 解决在居民智能电网中预测波动性电力需求与间歇性分布式可再生能源发电的挑战。
• 在短期模型预测误差的背景下，提升系统充裕性与可靠性。
• 将大容量发电作为校正机制，以抵消ARIMA预测产生的估计噪声。
• 确保在去中心化、基于可再生能源的电力系统中实现长期能源充足与实时稳定。
• 为以用户为主导的智能电网提供可扩展、鲁棒的需求与发电预测框架。

提出的方法

• 采用两级预测架构：通过最大似然估计（MLE）进行长期预测，通过ARIMA模型进行实时预测。
• 将预测误差建模为高斯白噪声过程，以缩放的维纳过程 $\mathcal{W}_t$ 表示。
• 将系统充裕性比率 $\rho_q(0,t)$ 定义为在时间 $t$ 内存储能量保持在阈值 $s_q - \lambda$ 以上的概率。
• 利用维纳过程的运行最大值推导充裕性的下限：$\rho_q(0,t) \geq \text{erf}\left(\frac{\lambda}{\sqrt{2t\sigma^2}}\right)$，其中 $\sigma^2 = \sigma_g^2 + \sigma_d^2$。
• 部署本地负荷管理单元（LLMU），当存储能量低于 $s_q - \lambda$ 时触发大容量发电请求。
• 动态分配电能流动：当需求超过发电时优先直接供电给用户，否则将多余电能输送至储能系统。

实验结果

研究问题

• RQ1 如何结合长期与实时预测以提升居民智能电网中的预测准确性？
• RQ2 基于ARIMA的短期预测在多大程度上引入误差，从而危及系统充裕性？
• RQ3 大容量发电能否有效抵消ARIMA引起的高斯白噪声误差？
• RQ4 在随机预测误差下，系统充裕性的理论下限是什么？
• RQ5 本地去中心化负荷管理单元（LLMU）如何通过利用大容量发电作为备用手段来确保可靠性？

主要发现

• 两级预测模型——采用MLE进行长期预测、ARIMA进行实时预测——显著提升了对需求与分布式发电的预测准确性。
• ARIMA模型的预测误差表现为高斯白噪声，可能扰乱能量存储并危及系统充裕性。
• 系统充裕性比率 $\rho_q(0,t)$ 的下限由误差函数 $\text{erf}\left(\frac{\lambda}{\sqrt{2t\sigma^2}}\right)$ 给出，提供了理论上的可靠性保障。
• 大容量发电能有效抵消短期预测噪声，恢复能量平衡并防止服务中断。
• 当仅依赖分布式可再生能源（DRRs）作为能源来源时，由于未缓解的预测误差，系统充裕性会随时间下降，即使长期需求得到满足。
• LLMU算法成功检测到低能量状态，并及时触发大容量发电请求，从而维持系统可靠性。