跨配电网聚合级别的峰值感知短期负荷预测

对于配电系统运营商而言，短期负荷预测 (STLF) 支持拥塞管理、电压控制和资产保护。大多数现有方法侧重于所有时间步长的整体准确性，而忽略高需求 (HD) 期间的性能，其中较大的预测误差可能会增加拥塞和电压违规的风险。在本文中，我们使用来自英国和瑞士的开放数据集，研究了三个与运营商相关的配电网聚合级别、区号 (AC)、二级变电站 (SUB) 和低压 (LV) 馈线的峰值感知 STLF。我们在峰值感知评估框架下比较统计基线、机器学习模型（LightGBM 和 XGBoost）以及最近的时间序列基础模型（Chronos Bolt 和 Chronos-2），该框架使用 NMAE 和 MAPE 报告总体和 HD 预测性能。结果显示，Chronos-2 在所有聚合级别上均实现了最佳 HD 性能，AC 时的 HD-NMAE 和 HD-MAPE 分别为 0.039 和 4.53%，SUB 时为 0.080 和 9.45%，LV 时为 0.138 和 16.14%，而 Chronos-Bolt 始终排名第二。与梯度增强的 ML 模型相比，Chronos-2 将各个级别的平均 HD-NMAE 降低了约 20-51%，同时在总体指标上保持最佳或接近最佳。 Chronos 概率输出的分位数分析进一步识别了特定于聚合的操作点，运行时测量表明基础模型推理的速度足以满足实际部署的需要。总体而言，研究结果强调了峰值感知评估和聚合特定分位数选择是在配电网络中实现更具操作相关性的 STLF 的实用途径。