面向产消者社区电力负荷的 AI 驱动预测

通过推进短期需求响应机制,可以有效利用住宅建筑社区 (包括配有可再生能源和储能的系统,即产消者) 在电力消耗与生产上的灵活性。众所周知,若在产消者社区层面进行需求响应,由于聚合群体能更好地协调用电,这种灵活性可进一步提升。然而,此类短期优化的有效性高度依赖于每栋建筑以及整个社区的电力负荷预测精度。电力负荷曲线的结构性变化与不同的外生因素有关,如天气条件、日历信息、星期几以及用户行为。本文回顾了广泛的电力负荷预测技术,这些技术能为优化产消者社区的负荷消耗提供重要辅助。我们展示并测试了由人工智能 (AI) 驱动的短期负荷预测方法,包括使用黑盒时间序列模型 (如 Facebook 的 Prophet 和长短期记忆 (LSTM) 模型)、基于季节性的 SARIMA 和 Holt-Winters 平滑模型,以及利用领域知识的经验回归模型。同时测试了将天气预报整合到数据驱动时间序列预测中的效果。结果表明,持久项与回归项的结合 (经调整以适应负荷预测任务) 取得了最佳的预测精度。