1、高精度可信电力负荷预测实践陈纬奇阿里巴巴-达摩院-决策智能实验室2022/09/24演讲总览p 电力负荷预测背景和挑战p支撑高精度预测时序分析与预测算法介绍p电力负荷预测实践与落地p可解释人工智能技术助力可信预测高精度可信电力负荷预测实践电力负荷预测背景及其重要性感知电网态势 难人工/算法决策电网调整控制唯一的不确定性是未来的用电负荷，用电规律突出，负荷预测简单传统电力系统用电规律被分布式电源干扰，新能源功率预测难度极大，发电的计划性大大降低新型电力系统未来电网态势用电发电计划检修计划不确定确定确定未来电网态势用电新能源/电力市场检修计划不确定不确定确定电力负荷预测是电网调度计算分析、控制决策

2、的基础电力市场健康稳定的基础电力负荷预测挑战挑战1:长期依赖、多重周期年周期周周期天周期电力负荷预测挑战挑战2:电力负荷数据高度异构复杂电力负荷预测挑战挑战3:影响电力负荷的外部因子复杂时间序列分析算法时序分析算法用于预测前置数据处理，包括：1.检测是否具有周期及多周期2.趋势突变检测3.去噪时序预测算法用于进行复杂场景下的高精度预测，包括：1.多重周期时序预测2.极端事件下的预测时间序列分析算法时间序列分解（RobustSTL）原始数据=趋势+周期信号+噪音算法框架1 Q.Wen,J.Gao,X.Song,L.Sun,H.Xu,and S.Zhu,RobustSTL:A Robust Sea

3、sonal-Trend Decomposition Algorithm for Long Time Series,AAAI 2019.（基本 RobustSTL 算法）2 Q.Wen,Z.Zhang,Y.Li,and L.Sun,Fast RobustSTL:Efficient and Robust Seasonal-Trend Decomposition for Time Series with Complex Patterns,KDD 2020.（适用于多重周期且具有加速GADMM算法的 RobustSTL 算法）3 L.Yang,Q.Wen,B.Yang,and L.Sun,A Robu

4、st and Efficient Multi-Scale Seasonal-Trend Decomposition,ICASSP 2021.（适用于多尺度数据的 RobustSTL 算法）优势：有效处理趋势突变和复杂周期（多重周期、周期偏移等）对噪音鲁棒性高计算效率高，可大规模部署复杂周期时序预测算法（Quatformer）挑战：大多数时序数据都是周期数据如何在预测中处理复杂的周期模式，包括 多周期 可变周期 相位偏移Quatformer:一种面向复杂周期时间序列预测的 Transformer 模型提出 learning-to-rotate attention 利用可旋转的四元数表征嵌入可学习

5、的周期/相位信息 四元数是复数的推广：+i+j+k提出 trend normalization，对 hidden layer 中趋势正则化提出 decoupling attention 机制，将 Transformer 计算复杂度由 O(n2)降低至 O(n)主要架构复杂周期数据实例0.2590.211最优基线Quatformer多个数据集上平均MSE降低8.1%Weather数据集上降低18.5%复杂度降低至线性4 Weiqi Chen,Wenwei Wang,Bingqing Peng,Qingsong Wen,Tian Zhou,Liang Sun.Learning to Rotate:

6、Quaternion Transformer for Complicated Periodical Time Series Forecasting.In Proceedings of the 28th ACM SIGKDDInternational Conference on Knowledge Discovery&Data Mining(KDD 2022),2022电力负荷预测实践（平台）将原子算法进行组织，构建电力预测决策平台，使用该平台，我们可以为每个场景快速开发一个鲁棒、精准、可解释的算法工作流数据组织数据前处理特征工程预测模型预测后处理预测可解释电力负荷预测实践（案例）基于电力预测决

7、策平台的母线负荷预测系统优势：1.设计不同策略的缺失值填充机制及转供检修下负荷数据修正模块提高数据鲁棒性2.分析各类型母线数据特点和影响因素，设计了涵盖不同影响因素的特征和分组特征选择机制，保证算法泛化性3.设计自学习和近期数据加权机制，使得模型始终适配最新数据模式4.规则模型后处理解决极端场景下预测奥运会全球指定云服务商案例分析高温天气和温度剧烈变化情况下的预测2在高温天气和气温骤变期间预测性能优秀通过后处理模型建模长尾极端天气奥运会全球指定云服务商案例分析节假日模式和复杂趋势的捕捉2有效建模城区负荷晚间用电高峰的复杂变化模式能有效建模工业负荷在节假日期间的骤降趋势节假日模式和复杂趋势的捕捉

8、端午奥运会全球指定云服务商案例分析通过数值天气预报建模分布式光伏2引入数值天气预报数据能够有效建模中午分布式光伏趋势（）和细粒度变化（）通过数值天气预报建模分布式光伏01 可解释机器学习和负荷预测可解释p 可解释机器学习：特征工程AI系统输出数据 理解模型 理解数据智能运营资损防控误差分析p 可解释机器学习的应用：02 模型可解释p 白盒模型：p 黑盒模型可解释：广义加性模型特别的，当基函数为线性时规则模型IF(X=x1 AND Y=y2)OR(X=x2 AND Z=z3)OR(S=s1 AND t1=T=t3)OR()THEN label=1树模型优点：自身可解释，易于分析缺点：模型表达能力

9、受限，对复杂系统拟合误差较大集成模型神经网络优点：模型表达能力强，能较好的拟合数据缺点：需要额外的方法来进行解释黑盒模型可解释p 对黑盒模型进行解释：1，Surrogate model 通用方法 可导模型：例如神经网络2，Shapley value1,Gradient based model2,Path-based Attribution 解释需求1,解释输出2,解释差异3,解释误差AI系统输出数据黑盒模型可解释p 电力场景的应用：负荷曲线归因分析因素贡献预测值相似的：对负荷预测曲线进归因分析，帮助母线负荷上报员理解并作出必要的修正单点多因素拆解挑选相似拆解各因素贡献单因素多点拆解挑选相似拆解单因素贡献黑盒模型可解释p 电力场景的应用：空调负荷分析的：从精度的盒负荷预测模型中提取体感温度对负荷的提升影响，解决业界空调负荷分析的难题体感温度低于25 时负荷变化乎为0约在26-27有明显开始爬升温度越带来的负荷升越时傍晚/夜晚温度敏感度天晚上7点后傍晚5-7下午1-4上午8-12根据不同时/份抽取空调负荷趋势总结p 电力负荷预测挑战负荷数据复杂、影响因素复杂p时序分析与预测算法时序分解、周期时序预测p电力负荷预测实践与落地集成各类时序分析/预测算法电力预测平台案例分析p可解释人工智能助力可信负荷预测谢谢观看Thanks