基於分層時空不確定性量化的分散式能源採用預測

核心概念

為了解決分散式能源 (DER) 採用預測中多層級不確定性量化的挑戰，本文提出了一種基於共形預測框架的分層時空模型，該模型在電路級別生成 DER 增長預測，並將其有效地聚合到變電站級別，同時通過定制的非一致性評分保持統計有效性。

摘要

文獻回顧

近年來，預測 DER 需求越來越受到關注，特別是在預測電力消耗方面。由於其下游營運的高風險性，人們探索了廣泛的不確定性量化 (UQ) 技術，例如概率預測、區間預測和深度學習方法。由於這些可再生能源基礎設施獨特的分布式網絡拓撲結構，許多工作還探索了如何在各種預測應用中尊重或利用這些固有的層次結構，包括電網管理和發電預測。

研究問題

本文旨在解決多層級不確定性量化中的兩個主要挑戰：

1. 聯合預測多個空間單元（例如，電路）可能會導致過於保守的不確定性區間，從而可能降低其實用性。過寬的預測區間無法為特定的操作需求提供可操作的見解。
2. 雖然將這些預測從電路級別聚合到變電站級別看似簡單，但如果沒有仔細調整，這樣做可能會導致預測區間無法完全捕捉聚合級別的真實潛在不確定性。電路級別不確定性的簡單求和通常會高估變異性，導致風險評估過高或對電網性能指標的信心產生誤導。

研究方法

本文提出了一種基於共形預測的新型分層時空模型（HST-Conformal），用於預測 DER 增長的時空不確定性。該方法首先將數據分為訓練集和校準集。訓練集用於創建一個概率模型，模擬所有電路的未來情景，而校準集使我們能夠評估預測誤差並微調每個電路的預測區間，以確保有效的覆蓋率。與其他非一致性評分設計相比，由此產生的預測區間既具有統計有效性，又具有最佳效率。具體來說，該方法包括三個主要階段：

1. 數據拆分： 根據指定的截止時間索引將數據集劃分為訓練集和校準集。訓練集用於擬合概率模型，而校準集則保留用於下一階段的校準，在該階段中評估模型的預測與觀察結果的匹配程度，並調整預測區間以實現有效的覆蓋率。
2. 校準： 對於校準集中的每個數據對，通過從擬合模型中繪製樣本並計算每個電路的最小變電站最大誤差 (SME) 來構建其非一致性評分。
3. 構建預測區間： 首先使用校準數據計算非一致性評分，然後使用這些評分的經驗分位數來定義每個電路的預測區間。變電站級別的預測區間通過聚合相關電路的預測界限來構建。

實驗結果

本文使用來自當地公用事業網絡的屋頂太陽能電池板安裝記錄的真實數據集驗證了所提出的方法。結果表明，與其他基準方法相比，該方法在確保有效性和聚合有效性的同時，也實現了最佳效率。

長期預測和分析

為了捕捉 DER 增長的長期增長軌跡，本文使用所提出的 HST-Conformal 模型提供了 2024 年至 2050 年的預測。分析表明，DER 採用將經歷一個快速的初始增長階段，然後隨著飽和度的達到而逐漸放緩，預計在 2036 年左右達到平穩狀態。在變電站級別，分析發現增長幅度和不確定性存在顯著差異。不確定性程度（預測區間寬度）與每個地點的基本採用率密切相關，這表明高採用率的變電站也是預測不確定性高的地區。

結論

本文開發了一種分層時空模型，解決了預測 DER 增長中多層級不確定性量化的關鍵需求。該方法聯合預測電路級別的增長並將其聚合到變電站級別，解決了與過於保守的預測區間和聚合預測中過度變異性相關的挑戰。通過根據時空數據的獨特需求定制非一致性評分，確保了該方法在空間尺度上實現了統計有效性和實際相關性。將該模型應用於當地公用事業的 DER 安裝數據，證明了在不犧牲覆蓋率的情況下提高了預測區間效率，為能源利益相關者在 DER 整合的動態環境中做出決策提供了一個強大的工具。

統計資料

該數據集涵蓋 2010 年至 2024 年，包含 1,742 條安裝記錄，分布在 245 個電路和 51 個變電站。
在我們的分析中，我們採用了 95% 的顯著性水平。
我們將 K 設置為 10。
多元 Hawkes 過程的參數是隨機初始化的，並使用 Adam 優化器以 10^-2 的學習率訓練到收斂，進行了 10^3 次迭代。

引述

從以下內容提煉的關鍵洞見

Hierarchical Spatio-Temporal Uncertainty Quantification for Distributed Energy Adoption

by Wenbin Zhou,... 於 arxiv.org 11-20-2024

https://arxiv.org/pdf/2411.12193.pdf

深入探究

除了本文提出的方法外，還有哪些其他方法可以有效地量化 DER 增長預測中的不確定性？

除了 HST-Conformal 方法外，還有許多其他方法可以有效量化 DER 增長預測中的不確定性。這些方法可以大致分為以下幾類：

傳統統計方法:

自回歸積分移動平均模型 (ARIMA): ARIMA 是一種經典的時間序列預測方法，可以捕捉數據中的趨勢和季節性。通過對模型殘差進行建模，可以獲得預測區間，從而量化不確定性。
廣義自回歸條件異方差模型 (GARCH): GARCH 模型適用於具有時變波動性的時間序列數據，例如電力價格或負載數據。它可以捕捉到數據中的波動性聚集現象，並提供更準確的預測區間。
分位數迴歸 (Quantile Regression): 分位數迴歸可以估計不同分位數水平下的預測值，從而直接構建預測區間。與僅關注條件均值的傳統迴歸方法相比，分位數迴歸可以提供更全面的不確定性信息。

機器學習方法:

貝葉斯神經網絡 (Bayesian Neural Networks): 貝葉斯神經網絡將貝葉斯統計與深度學習相結合，可以提供預測分佈，而不是單點預測。通過分析預測分佈，可以獲得預測區間和不確定性估計。
梯度提升機 (Gradient Boosting Machines): 梯度提升機是一種集成學習方法，可以組合多個弱學習器以構建強學習器。通過對不同學習器的預測結果進行加權平均，可以獲得預測區間和不確定性估計。
高斯過程迴歸 (Gaussian Process Regression): 高斯過程迴歸是一種非參數貝葉斯方法，可以提供預測分佈和不確定性估計。它適用於具有複雜非線性關係的數據集。

模擬方法:

蒙地卡羅模擬 (Monte Carlo Simulation): 蒙地卡羅模擬是一種通用的不確定性量化方法，可以通過對輸入變數進行隨機抽樣，並多次運行模型來估計輸出變數的概率分佈。
Bootstrap 方法: Bootstrap 方法是一種重抽樣技術，可以通過從原始數據集中重複抽樣來創建多個新的數據集。通過對每個新的數據集進行建模和預測，可以獲得預測區間和不確定性估計。
選擇合適的方法取決於數據特徵、預測目標和可用的計算資源。例如，如果數據具有明顯的時變波動性，則 GARCH 模型可能是一個不錯的選擇。如果需要更靈活的非線性建模能力，則可以考慮貝葉斯神經網絡或高斯過程迴歸。

本文中提出的模型是否考慮了政府政策或激勵措施等外部因素對 DER 採用的潛在影響？

本文提出的模型主要依賴於歷史 DER 安裝數據和社會經濟因素來預測未來的 DER 增長。雖然模型中包含了一些社會經濟指標，例如平均停電次數、平均用電量和平均教育水平等，但它並沒有明確考慮政府政策或激勵措施等外部因素的影響。
政府政策和激勵措施，例如稅收抵免、淨計量電價政策和可再生能源配額制等，對 DER 採用率有著顯著影響。這些政策可以通過降低 DER 成本、提高投資回報率或創造市場需求來促進 DER 的發展。
為了更全面地捕捉 DER 增長的驅動因素，可以將政府政策和激勵措施納入模型中。以下是一些可能的方法：

將政策變數作為模型的輸入特徵： 可以將與 DER 相關的政策變數，例如稅收抵免金額、淨計量電價比率或可再生能源目標等，作為模型的輸入特徵。
使用情景分析方法： 可以根據不同的政策情景，例如政策延續、政策取消或新政策出台等，來模擬 DER 增長的變化趨勢。
結合專家意見： 可以諮詢政策專家和行業人士，以了解未來政策的可能變化方向，並將其納入模型預測中。
將政府政策和激勵措施納入模型可以提高 DER 增長預測的準確性和可靠性，為決策者制定更有效的能源政策提供支持。

本文的研究結果如何推廣到其他類型的分散式能源技術，例如風能或儲能系統？

本文的研究結果主要關注於屋頂太陽能板的安裝預測，但其方法和結論可以推廣到其他類型的分散式能源技術，例如風能或儲能系統。以下是一些需要考慮的因素：

數據可用性： 推廣到其他 DER 技術需要相應的歷史安裝數據、地理位置信息和相關的社會經濟因素。數據的質量和完整性會影響模型的預測性能。
技術特性： 不同 DER 技術具有不同的技術特性，例如容量因子、安裝成本、使用壽命和環境影響等。這些特性會影響其採用率和增長趨勢，需要在模型中加以考慮。
政策環境： 政府對不同 DER 技術的政策支持力度和激勵措施也可能有所不同。模型需要根據具體的政策環境進行調整，以準確預測不同 DER 技術的增長。
以下是一些針對風能和儲能系統的具體考慮因素：

風能： 風能項目的選址通常受到風力資源、土地可用性和環境法規等因素的限制。模型需要考慮這些因素對風能項目部署的影響。
儲能系統： 儲能系統的採用通常與電力市場價格、電網可靠性和可再生能源整合等因素相關。模型需要考慮這些因素對儲能系統需求的影響。
總之，將本文的研究結果推廣到其他 DER 技術需要根據具體情況進行調整，但其核心思想和方法仍然適用。通過收集相關數據、考慮技術特性和政策環境，可以開發出適用於不同 DER 技術的預測模型，為分散式能源的規劃和發展提供支持。