第1章 引言
本章介绍本书的背景和动机，以及一些最佳使用方法。重点包括：
为什么需要预测来支持未来的能源系统，尤其是在低压层面。
• 为什么需要这本书。
内容描述以及如何阅读。
• 一学期课程应包含什么内容。
1.1 动机
通过实现全球碳减排目标来缓解气候危机，将要求我们大幅改变能源的生产和使用方式。为了避免气候变化带来最灾难性的后果，全球领导人和能源部门必须紧急行动。
碳减排将意味着主要部门和基础设施持续向脱碳转型，特别是在供暖、工业和交通领域。这些应用中的许多将需要电气化，例如，供暖从燃气锅炉转向电动热泵，交通从汽油内燃机转向电动汽车。
这种电气化越来越多地来自可再生能源，如风能、太阳能、波浪能、水能和地热能（见图1.1）。能源使用和生产方式的变化有两个主要后果。首先，由于新的低碳电器（如家庭电动汽车充电）导致更大且更波动的需求消费行为；其次，电力供应因依赖更不可预测和间歇性的天气行为而具有更大的不确定性。
这些变化将影响电力供应的安全性，因为它们增加了能源生产可能与最终消费者需求不匹配的可能性，进而可能导致停电或对电网造成损害。这将对各国政府“确保人人获得负担得起的、可靠的、可持续的现代能源”这一目标构成重大挑战，该目标是联合国大会于2015年确定的17项可持续发展目标之一。为了减轻电气化的影响，正在开发若干解决方案，包括：
- 储能控制：储能设备可以通过在低需求时段充电、高需求时段放电来“转移”和“平滑”需求。这有助于减少需求增长的影响，同时还能确保可再生能源在最需要的时间段得到最佳利用。大多数可再生能源发电依赖于天气条件，这意味着可再生能源可能在最不需要的时候发电。储存这些电能可以确保清洁能源用于满足高需求，而不是使用来自电网的碳强度更高的能源。
- 需求侧响应：如果发电量不足以满足需求，可以关闭设备以平衡网络。例如，热泵可以短时间关闭，在减少需求的同时保持供暖舒适度。类似地，如果发电过多，可以开启需求。
- 协调电动汽车充电：如果电动汽车的普及率足够高，那么本地网络很可能承受过大的压力，因为家庭会选择在相似的时间段充电（例如，下班回家后插上电源，或夜间充电以便车辆早上可用）。缓解这一影响的方法之一是协调充电，使得同时从电网取电的车辆数量减少。
- 本地电力市场：随着分布式发电的增加，以及具备双向通信功能的可控资产的增多，为智能电网和本地化能源市场创造了机会，需求和发电可以在其中进行交易。能源可以在离其生产地近的地方利用，这也减少了远距离输电的损耗。
所有这些应用都需要不同程度的对需求或发电的预见，以优化运行并确保对消费者的干扰和成本最小化。例如，考虑一个储能设备，其目标是用可再生能源发电最大程度地充电，并利用储存的能量来减少峰值能耗。这需要准确估计未来的需求和发电，以安排设备的充放电。这些估计由所谓的负荷预测产生，这正是本书的主题！
1.2 低压系统的需求预测
如上所述，准确的预测对于一系列应用都是至关重要的工具，包括优化能源管理系统（如储能设备）、重新分配需求、削减峰值需求以及电力基础设施开发（即确定安装哪些资产以及安装在何处）。不幸的是，与国家级或系统级预测相比，低压级别的负荷预测是一项复杂的任务。连接到低压变电站的用户数量少，意味着需求相对不规则且波动大。低压变电站的馈线通常包含1到100个用户，可能是居民、商业用户或两者的混合。此外，还有路灯等街道设施，它们对低压级别的整体需求可能产生不可忽视的影响。
在比较一周内不同住户聚合的半小时间需求时，这种波动性显而易见。图1.2分别展示了单个消费者、40个消费者的聚合（典型低压二级馈线规模）以及540个消费者的需求曲线。在最高聚合水平下，曲线相对平滑，逐日需求非常相似。相比之下，单个家庭的需求逐日波动剧烈且不规则。低压馈线通常连接约40个消费者，显然，尽管它们比单个家庭更规律，但仍存在显著的波动性和不确定性。本书将在第14章提供一个案例研究，比较不同规模馈线的预测结果，展示聚合与准确性的关系。需求行为的这种多样性也意味着，与系统级或国家级预测不同，不存在一种通用预测模型能够准确地预测所有低压变电站的需求。
在本书中，预测模型将用于预测需求，包括点估计和概率估计。后者对于处理低压需求固有的不确定性至关重要，并确保上述应用及本书中提到的应用获得最优性能。
1.3 为什么需要本书
如上所述，预测是支持电网动态变化以及新兴应用和机会的关键需求。然而，与低压需求相关的独特挑战，特别是增加的波动性和不规则性，需要掌握先进技术和模型的知识，而这些对于系统级或国家级的更规律需求并非必需。
不幸的是，由于可用数据的缺乏以及该领域本身的新兴性，这些领域的知识和经验相对匮乏。需求监测通常仅限于网络的高压层级，而智能电表从2010年代才开始推广。因此，迫切需求这些不可或缺的技能，以满足低碳经济日益增长的需求。
预测是智能电网和低压层级中众多应用的基本组成部分。因此，本书将使优化、控制理论、电力系统工程和不确定性量化等广泛领域的研究人员受益。由于书中呈现了多种技术，它也将对希望使用更多方法和模型的经验丰富的预测者有所助益。
案例研究（第14章）和进一步示例（第15章）中都展示了几种应用。这些基于作者的实践经验，使用真实世界数据来演示所介绍的技术。特别是案例研究，展示了处理、分析和解释真实测量数据以及将其应用于最先进预测模型中的所有困难。这与使用玩具示例的其他书籍形成对比，玩具示例虽具说明性，但可能无法展示真实系统和数据中常见的有时微妙的复杂性。
1.4 本书的目标与概述
本书旨在为开发准确有效的低压电网负荷预测所需的所有组成部分提供全面指南。电力需求的行为随着储能和可再生能源等旨在满足能源需求增长的新能源而发生了变化。新的能源控制技术已被证明能降低能源成本、排放和峰值需求，而负荷预测特性为研究最优控制策略的效益提供了机会。虽然不提供所有方法的详尽细节，但本书旨在独特概述低压层级负荷预测中最常用的技术和方法。它涵盖了基本的时间序列预测概念，并介绍了常见的统计和机器学习方法。有关每种方法的更详细文献，读者可参考附录。
在开发精确的预测技术和模型之前，实践者需要理解能源系统、统计学和机器学习的基本概念。因此，第2章、第3章和第4章为本书其余部分奠定知识基础，任何需要更多信息的主题将在后续章节中详细阐述。第2章简要描述了配电网的重要特征，包括那些使低压层级预测比系统级更具挑战性的属性。第3章介绍了概率与统计的核心概念。许多时间序列预测的模型和理论都在统计框架下构建，特别是当需要利用变量的潜在不确定性时，在实现概率预测（第11章）时尤其如此。最后一篇入门是第4章，描述了机器学习的主要定义和概念，其中预测分析是其主要子集。本书的许多章节涉及机器学习的各个领域，并基于这篇入门内容展开。
第5章重点介绍时间序列和时间序列预测的核心定义、描述和概念。通过本章，读者应能理解构建一个定义明确的时间序列预测问题所需的组成部分。请注意，虽然本书以负荷预测为动机，但所介绍的概念并不局限于电力负荷预测。大多数引入的概念也适用于其他类似的时间序列预测任务。
接下来的三章将介绍开发这些预测模型所需的工具和技术。首先从第6章开始，该章展示了如何分析和理解负荷数据时间序列内部及与之相关的各种关系。这包括数据准备技术（如识别异常值）和特征工程技术，这些技术有助于理解哪些变量是负荷的主要驱动因素。这些关系将决定预测者最终选择的模型类型以及主要输入变量。
没有合适的评估方法就不可能得到准确的预测模型。这正是第7章的主题，该章介绍了一系列针对点预测和概率预测模型的误差度量与技能评分。此外还介绍了一些可用于提高模型准确性的简单检查方法。下一章（第8章）描述了如何恰当地训练和选择预测模型。在此引入了机器学习中最重要的概念之一，即“偏差-方差权衡”。这对于确保模型能够泛化到新的未见数据，从而捕捉负荷时间序列中的真实行为模式至关重要。本章讨论了多种技术，特别是正则化，它有助于实现这种泛化。
在介绍了主要工具和技术之后，接下来的三章描述了为生成成功的点预测和概率负荷预测而开发的大量预测方法。大多数模型都利用了历史需求数据中的模式，因为大多数低压（LV）需求在过去的行为中具有规律性特征。第9章和第10章分别侧重于使用基于统计和基于机器学习的模型进行点预测。这两类模型各有优缺点，但都有助于发挥描述能力和高性能的全部潜力。第11章介绍了一系列概率预测方法。这些方法对于许多配电网层面的应用至关重要，因为需求行为具有相对较高的不确定性。特别是在低压系统中，需求通常相当波动，因此在未来的智能电网应用中，概率方法的需求很可能会日益增长。由于概率预测可以有多种定义方式，本章给出了许多不同的方法来实现这一点。通过这三章主要内容的学习，读者应对时间序列预测中的最佳方法以及何时应用它们有扎实的理解。本书所探讨的模型概览如图1.3所示。从数据分析到评估的整个预测过程，以及如何选择最合适模型的技巧，将在第12章中描述。
时间序列预测是一个充满活力的研究与开发领域。许多技术有望越来越多地应用于实际场景。为此，第13章（简要）描述了一些更高级的主题，包括通过组合模型提高准确性，以及如何检验两个预测在统计上是否具有显著性差异。
在介绍了模型、技术和工具之后，本书的最后两章致力于将这些技术应用于预测实验和实际低压（LV）场景中。第14章给出了一个完整的预测案例研究，应用于100个真实世界低压馈线的需求数据。该章演示了如何分析需求数据、开发多个预测模型并进行测试。这些预测结果展示了真实需求数据带来的一些挑战和困难。第15章则考虑了这些预测可应用的多个场景，其中最突出的是电池储能调度问题。
值得注意的是，本书也可作为数据科学的一个相对全面的入门介绍，尽管它聚焦于特定领域。它涵盖了机器学习（或更广泛的人工智能）中的所有特征和良好实践，如交叉验证、模型评估、基准测试等，以及大量不同的技术，包括决策树、神经网络、线性回归和广义可加模型。因此，通过学习本书，您将掌握生成机器学习模型的高深知识，尤其是针对基于时间序列预测的应用。
本书的主要用途是作为本科生或研究生短期负荷预测的入门教材。同时，本书也可作为对行业感兴趣的读者（如公用事业、系统运营商或能源行业其他公司的数据科学家、统计学家或分析师）的入门读物。本书的主要案例研究来自作者发表的同行评审论文，突出体现了该主题的强烈应用导向，因此我们希望本书能为那些有兴趣在实际应用中应用这些方法的人提供有用的参考。
1.5 如何阅读本书
阅读本书的最佳方式主要取决于读者的经验。如果您是统计学家、数据科学家或具有建模经验的概率论专家，那么读者可能希望专注于应用和案例研究，并仅在需要时参考技术章节。相反，如果读者是工程师或能源系统专家，但数据科学知识较少，则应重点阅读前几章，特别是第3～7章。无论哪种情况，读者都应熟悉符号表示，并根据自己的背景略读这些章节的部分内容。图1.4展示了各章之间的链接和依赖关系。
第9～11章这三章主要描述的是点预测和概率预测模型。具有统计学背景的读者会最熟悉第9章，该章涵盖了许多传统的时间序列预测模型，如线性回归和ARIMA，但也包含了一些较新的流行技术，如广义可加模型。这些模型具有高度可解释性，在评估预测性能时会很有用。
具有计算机科学或更传统机器学习背景的读者会更好地理解第10章中的技术，该章考虑了多种方法，如深度学习、随机森林和支持向量回归。这些模型不太具有可解释性，但通常性能很高。第11章介绍了更复杂、计算量更大的概率预测方法，其中混合了更多的统计模型和机器学习模型。统计学基础（第3章）和第7章中概率误差度量的部分对于理解本主题至关重要。
第9章至第11章涵盖了许多方法。读者当然可以通读整章，全面了解负荷预测的各种方法。然而，读者也可能希望专注于点预测（传统或更现代的机器学习）或概率预测，或者希望从每种方法中挑选几种进行组合。对于学期课程而言，方法的选择应理想地基于第14章案例研究中采用的方法，这样才能展示完整的预测实验。下一节概述了一门学期课程的可能讲授方式。
机器学习只有通过实践才能掌握。因此，每章末尾都有几个关于内容的问题，附录中还有一个完整的指南，可以引导读者完成从数据收集、数据清洗、模型选择到评估的整个过程。同时还提供了一个笔记本链接（https://github.com/low-voltage-loadforecasting/book-case-study），其中展示了在Python环境中应用的某些技术。这希望能说明如何应用本书中描述的分析和建模，并在第14.3节案例研究中进行了概述。
1.6 学期课程说明
学习本书材料需要一些先修知识。学生应熟悉基础微积分、基本统计和概率的性质。除非学生已经具备概率论和机器学习主要概念的知识，否则不建议在一学期内学完整本书。
本书在第14章介绍了一个完整的案例研究，涉及低压居民馈线的点预测和概率预测。因此，学期课程最合适的重点是介绍能够演示案例研究的主要概念和模型。为了获得实践经验，学生应开发并测试自己的模型，为此附录中给出了开放数据列表。为辅助此过程，作者开发了一个Python笔记本，逐步讲解一些概念，可在https://github.com/low-voltage-loadforecasting/book-case-study获取。第14.3节描述了背景，但读者应尝试开发自己的模型，而不仅仅是笔记本中展示的那些。
为了覆盖案例研究，学期课程需要涵盖数据分析、模型选择和评估的主要概念，但只需从第9章和第11章中选择部分模型。换句话说，学期课程只关注一些统计和概率预测模型。因此，以下章节构成一个连贯的入门课程：
第2章：本章介绍了低压电网的主要背景和案例研究的动机。如果这些概念未在其他课程中讲授，则应简要概述本章，至少包括“配电网特征”一节。
第3章：这是基本统计和概率原理的入门，如果其他模块未涵盖，建议完整讲授本章。
第4章：包含机器学习的有用核心概念，如果有时间，监督学习和优化部分很有用。
第5章：本章介绍了时间序列预测的主要定义和描述，因此有必要完整讲授。它还引入了本书其余部分使用的符号。
第6章：应完整讲授本章，因为它介绍了案例研究中使用的核心数据分析技术。如果有其他模块讲授时间序列数据分析，可以讲授本章的简化版本。
第7章：应讲授点误差度量，以及概率误差度量中的CRPS。如时间允许，还应包括残差检查部分。
第8章：第8.1节关于一般原则的内容应全部讲授，但第8.2节仅需讲授最小二乘法和信息准则部分。
第9章：本节只需涵盖特定方法，包括基准方法（第9.1节）、指数平滑（第9.2节）和多元线性回归（第9.3节）。
第11章：从本章中讲授第11.4节关于分位数回归的内容，以及第11.6节关于集成方法的内容。
第14章：应完整地完成案例研究，但可以将其拆分为不同部分，并结合前几章的相关内容进行介绍。
评估：每章末尾都有一些问题。可以逐一解答以辅助教学内容。附录C中还有一个引导式演练，可以作为案例研究的替代方案，或者作为课程作业挑战。附录D.4中还列出了开放数据列表，学生可以使用这些数据开发和测试自己的方法。
参考文献
- 爱尔兰社会科学数据档案库。能源监管委员会（CER）智能计量项目——电力客户行为试验（2012）
除非在材料的致谢行中另有说明，本章中的图像或其他第三方材料均包含在本章的知识共享许可中。如果材料未包含在本章的知识共享许可中，且您的预期使用不被法定法规允许或超出允许使用范围，您将需要直接获得版权持有人的许可。