气候变化下的弹性负荷预测：用于少样本极端负荷预测的自适应条件神经过程
机器学习
2026-02-05 v1 系统与控制
系统与控制
摘要
极端天气会显著改变电力消费行为，导致负荷曲线出现急剧尖峰和明显波动。如果这些时期的预测不准确，电力系统更有可能面临供应短缺或局部过载，迫使采取如甩负荷等紧急行动，并增加服务中断和公共安全影响的风险。这个问题本质上很困难，因为极端事件可能引发负荷模式的突然状态转变，而相关的极端样本稀少且不规则，使得可靠的学习和校准具有挑战性。我们提出了AdaCNP，一种适用于数据稀缺条件的概率预测模型。AdaCNP在共享嵌入空间中学习相似性。对于每个目标数据，它评估每个历史上下文片段与当前条件的相关性，并相应地重新加权上下文信息。这种设计即使在极端样本稀少时也能突出最有信息量的历史证据。它能够对以前未见过的极端模式进行少样本适应。AdaCNP还产生预测分布，用于风险感知决策，而无需在目标域上进行昂贵的微调。我们在真实世界的电力系统负荷数据上评估了AdaCNP，并将其与一系列代表性基线进行比较。结果表明，AdaCNP在极端时期更加稳健，相对于最强基线将均方误差降低了22%，同时实现了最低的负对数似然，表明概率输出更可靠。这些发现表明，AdaCNP可以有效缓解突然的分布偏移和稀缺极端样本的复合影响，为极端事件下的弹性电力系统运行提供更可信的预测。
引用
@article{arxiv.2602.04609,
title = {Resilient Load Forecasting under Climate Change: Adaptive Conditional Neural Processes for Few-Shot Extreme Load Forecasting},
author = {Chenxi Hu and Yue Ma and Yifan Wu and Yunhe Hou},
journal= {arXiv preprint arXiv:2602.04609},
year = {2026}
}