电力负荷预测背景及其重要性
电力负荷预测是电网调度、计算分析、控制决策的基础，也是电力市场健康稳定的基础。传统电力系统用电规律简单，但新型电力系统下，分布式电源和新能源的加入使得负荷预测面临更多不确定性。
电力负荷预测挑战
- 长期依赖、多重周期：电力负荷具有年周期、周周期、天周期等多重周期性。
- 数据高度异构复杂：电力负荷数据来源多样，结构复杂。
- 外部因子复杂：影响电力负荷的外部因素众多且复杂。
时间序列分析算法
- 时序分析算法：用于前置数据处理，包括周期检测、趋势突变检测和去噪。
- 时序预测算法：用于复杂场景下的高精度预测，包括多重周期时序预测和极端事件下的预测。
- 时间序列分解（RobustSTL）：将原始数据分解为趋势、周期信号和噪音，有效处理趋势突变和复杂周期，对噪音鲁棒性高，计算效率高。
- 复杂周期时序预测算法（Quatformer）：提出学习旋转注意力机制，利用四元数表征嵌入可学习的周期/相位信息，降低计算复杂度，多个数据集上平均MSE降低8.1%，Weather数据集上降低18.5%。
电力负荷预测实践（平台）
- 电力预测决策平台：将原子算法组织，构建电力预测决策平台，支持数据组织、前处理、特征工程、预测模型和预测后处理，快速开发鲁棒、精准、可解释的算法工作流。
电力负荷预测实践（案例）
- 母线负荷预测系统：设计缺失值填充机制、转供检修下负荷数据修正模块、特征和分组特征选择机制、自学习和近期数据加权机制，以及规则模型后处理解决极端场景。
- 奥运会全球指定云服务商案例：
- 高温天气和温度剧烈变化：预测性能优秀，通过后处理模型建模长尾极端天气。
- 节假日模式和复杂趋势：有效建模城区负荷晚间用电高峰和工业负荷在节假日期间的骤降趋势。
- 分布式光伏：引入数值天气预报数据，有效建模中午分布式光伏趋势和细粒度变化。
可解释机器学习和负荷预测
- 可解释机器学习：帮助理解模型和数据，实现智能运营和误差分析。
- 模型可解释：
- 白盒模型：自身可解释，但表达能力受限。
- 黑盒模型：需要额外方法解释，如Surrogate Model、Shapley Value、Gradient-based Model和Path-based Attribution。
- 电力场景应用：
- 负荷曲线归因分析：帮助理解各因素对负荷的贡献。
- 空调负荷分析：从黑盒模型中提取体感温度对负荷的影响。
总结
电力负荷预测面临负荷数据复杂、影响因素复杂等挑战，通过时序分析算法（如RobustSTL和Quatformer）和电力预测决策平台，可以实现高精度预测。可解释人工智能技术（如Surrogate Model和Shapley Value）助力可信负荷预测，帮助理解模型和数据，实现智能运营和误差分析。
