Ретроспективное прогнозирование с использованием данных провинциальной сети и гибридной физико-интеллектуальной модели на основе квот

Краткое содержание

В данном исследовании предлагается гибридная модель прогнозирования затрат для энергосетей, которая сочетает физические квоты затрат с динамическими макроэкономическими/технологическими корректировками и компенсацией остатков на основе XGBoost. При достижении MAPE 2,34% модель обеспечивает баланс между точностью и интерпретируемостью, отвечая требованиям регуляторной прозрачности при установлении тарифов.

Аннотация

Глобальный энергетический переход и текущие реформы рынка электроэнергии требуют от предприятий электросетевого хозяйства обеспечения баланса между надежностью электроснабжения и все более строгими правилами регулирования тарифов на передачу и распределение энергии. Традиционные методы бюджетирования, основанные на исторической экстраполяции, часто не отражают физическую основу эксплуатации активов, в то время как модели машинного обучения на основе данных обеспечивают высокую точность прогнозирования, но лишены прозрачности, необходимой для регуляторной верификации затрат. Чтобы решить проблему компромисса между точностью прогнозирования и интерпретируемостью, в данном исследовании предлагается гибридная модель прогнозирования затрат, основанная на квотах затрат. В данной структуре в качестве физической базы бюджетирования используются стандартизированные эксплуатационные квоты, а также внедрен динамический механизм эволюции квот, обусловленный макроэкономическими условиями и технологическим прогрессом. Для выявления нелинейных остатков, выходящих за рамки оценок на основе квот, применяется метод Extreme Gradient Boosting (XGBoost), а для интерпретации вклада ключевых факторов затрат используется метод SHAP (Shapley Additive exPlanations). Модель была оценена с использованием анонимизированных эксплуатационных данных за 16 лет из провинциальной электросети Китая. Была достигнута средняя абсолютная ошибка в процентах (MAPE) на уровне 2.34%, что позволило снизить ошибки прогнозирования на 61.8%, 46.6% и 34.1% по сравнению с моделями SARIMAX, автономным XGBoost и Attention-LSTM соответственно. Предложенная структура объединяет инженерные принципы квотирования затрат с объяснимым искусственным интеллектом, обеспечивая как точные долгосрочные прогнозы затрат, так и прозрачный инструмент поддержки принятия решений для верификации допустимых регуляторных затрат.

Введение

Глобальный энергетический переход меняет подходы к управлению активами и операционную практику в электросетях за счет интеграции распределенной возобновляемой генерации, учащения экстремальных погодных явлений и повсеместного внедрения технологий IoT, что требует большей операционной гибкости и дополнительных ресурсов для технического обслуживания с целью обеспечения надежности системы^1,2. В то же время органы регулирования электроэнергетики ужесточили надзор за тарифами на передачу и распределение электроэнергии с помощью таких механизмов, как RIIO в Великобритании и обзоры нормы прибыли Федеральной комиссии ....

Протокол

В данном исследовании использовались анонимизированные операционные и финансовые данные, собранные в провинциальной электросети на востоке Китая. Все данные были агрегированы и обезличены перед анализом; персональная информация или конфиденциальные данные на индивидуальном уровне не включались. Таким образом, этическое одобрение не требовалось. Доступ к данным и их анализ осуществлялись в соответствии с применимыми правилами защиты данных и институциональными соглашениями, регулирующими информацию в электроэнергетическом секторе.

Обзор структуры прогнозирования

Для интеграции подходов к прогнозир....

Результаты

Панорамное сравнение точности прогнозирования с использованием снижения размерности

При оценке всех моделей, оптимизированных с помощью алгоритма Tree-structured Parzen Estimator (TPE), на вневыборочном тестовом наборе данных за 2023–2025 гг., который включал колебания в период постпандемийного восстановления и экстремальные высокотемпературные явления, стало возможным объективно сравнить эффективность основных алгоритмов прогнозирования. Для обеспечения строгого и всесторонне.......

Обсуждение

Данное исследование демонстрирует, что интеграция промышленных квот на затраты с методами машинного обучения обеспечивает интерпретируемую и точную основу для долгосрочного прогнозирования затрат в электросетях. Результаты показывают, что климатические переменные, в частности количество дней с экстремально высокими температурами и индексы влияния отключений линий, являются доминирующими факторами остаточных затрат, что подчеркивает растущее влияние внешних воздействий на расходы коммунальных служб. Эти выводы позволяют п.......

Материалы

Список материалов, использованных в этой статье

Имя	Компания	Каталожный номер	Комментарии
Анонимизированный ежемесячный набор данных бухгалтерского учета E-Grid	Провинциальная энергосеть в восточном Китае	Н/П	Анонимизированный набор данных по ежемесячному производству и эксплуатационным расходам (2010–2025), включающий 192 наблюдения, в том числе данные о физических активах, эксплуатации и техническом обслуживании, макроэкономические и экологические данные. Использовался для разработки модели (156 наблюдений) и вневыборочного тестирования (36 наблюдений).
Библиотека для построения графиков Matplotlib	Команда разработчиков Matplotlib	3.5.2	Использовалась для создания рисунков к рукописи и графических результатов, включая графики эффективности модели, визуализации топологии, диагностику остатков, лепестковые диаграммы и визуальные сводки на основе SHAP.
Библиотека для численных вычислений NumPy	Разработчики NumPy	1.22.3	Использовалась для операций с числовыми массивами, матричных вычислений и контроля воспроизводимости. В соответствующих случаях применялся фиксированный случайный seed 42.
Библиотека для манипулирования данными Pandas	Команда разработчиков pandas	1.4.2	Использовалась для импорта, интеграции, реструктуризации, фильтрации и предобработки данных, включая импутацию пропущенных значений, выравнивание временных рядов и подготовку входных переменных модели.
Среда программирования Python	Python Software Foundation	3.9.13	Среда программирования, использованная для реализации полного рабочего процесса прогнозирования, включая предобработку данных, проектирование признаков, обучение модели, оптимизацию гиперпараметров, прогнозирование, статистическое тестирование и оценку эффективности.
Библиотека машинного обучения Scikit-learn	Контрибьюторы scikit-learn	1.0.2	Использовалась для предобработки данных, разделения на обучающую и валидационную выборки, вспомогательной оценки модели и статистических процедур, включая корреляционный анализ Пирсона и расчет выбранных показателей эффективности.
Библиотека для научных вычислений SciPy	Контрибьюторы SciPy	1.9.0	Использовалась для статистических вычислений, включая корреляционный анализ Пирсона и вспомогательные процедуры обработки выбросов и винзоризации.
Реализация метода Tree-structured Parzen Estimator	Контрибьюторы Optuna	3.1.0	Реализация байесовской оптимизации, использованная для настройки гиперпараметров XGBoost, включая максимальную глубину дерева, скорость обучения и параметры регуляризации. Tree-structured Parzen Estimator был реализован с помощью пакета с открытым исходным кодом Optuna.
Программная библиотека XGBoost	Контрибьюторы DMLC / XGBoost	1.7.1	Библиотека ансамблевого обучения на основе деревьев решений, использованная для нелинейной компенсации остатков. В модели была реализована регуляризованная целевая функция с функцией потерь Хьюбера и штрафами за сложность дерева, как описано в уравнениях 7–9.