面向未来电网状态的电力需求预测：基于数字孪生的仿真研究
摘要
住宅电力需求的短期预测是电力公司的重要任务。然而，许多中小型电力公司仍使用简单的预测方法，如综合负荷剖面（SLP），这些方法 treats 住宅家庭相似，既不考虑可再生能源安装，也不考虑新型大型消费者（如热泵、电动汽车）。在电网状态发生变革的今天（即去中心化发电和部门耦合增加），此类“全能通用”方法的有效性值得存疑。本研究挑战了这些预测实践，探讨机器学习（ML）方法是否适用于预测今天和未来电网状态下的电力需求。我们使用来自德国 3511 户家庭的真实智能表数据，覆盖 34 个月。我们基于数字孪生体的本地能源系统，对该数据进行外推，模拟未来电网状态（即增加去中心化发电和储能）。我们的结果表明，长短期记忆（LSTM）方法优于 SLP 以及简单基准估计器，日前预测误差降低最高可达 68.5%。尽管如此，所有预测方法在未来电网状态下的表现都更差。我们的发现因此强化了以下需求：（a）电力公司和电网运营商需要在未来电网状态下改用 ML 方法，而非传统需求预测方法；（b）需要为当前的 ML 方法做好面向未来电网状态的准备。
引用
@article{arxiv.2503.04757,
title = {Electricity Demand Forecasting in Future Grid States: A Digital Twin-Based Simulation Study},
author = {Daniel R. Bayer and Felix Haag and Marco Pruckner and Konstantin Hopf},
journal= {arXiv preprint arXiv:2503.04757},
year = {2025}
}
备注
Presented at the 9th International Conference on Smart and Sustainable Technologies (SpliTech 2024), June 25--28, 2024, Bol and Split, Croatia. This is the author's version of the work. It is posted here for your personal use, not for redistribution. Please cite the officially published version