综述：连接预测与决策：电力系统负荷预测的应用驱动式综述

《Computers and Electrical Engineering》：Bridging prediction and decision: An application-driven review of load forecasting in energy systems

这篇综述从应用驱动视角出发，系统梳理了2015-2025年间电力系统负荷预测的研究进展。文章超越了传统的模型性能对比，重点关注负荷预测在电网运行、能源管理、需求响应（DR）和微网（MG）等现实场景中的决策支持作用，旨在弥合先进预测模型与工程部署之间的鸿沟，为开发可解释、可扩展且适应上下文的新型预测方案提供了洞见。

　　

¹. 引言：现代电力系统的新挑战与负荷预测的枢纽作用

全球电力需求持续增长，并由数字化转型、去中心化和脱碳化三大趋势深刻重塑。国际能源署（IEA）数据显示，年用电量增长率达2.5%。与此同时，到2030年，可再生能源（RES）预计将贡献全球40%的发电量，分布式能源资源（DERs）如屋顶光伏（PV）的并网，以及电动汽车（EV）、大型数据中心和智能电表的普及，使得电力需求模式日益动态、不确定且难以管理。在此背景下，高精度的负荷预测对于保障系统稳定、优化资源利用、支持新技术集成至关重要，已成为连接预测模型与实际运行决策的关键桥梁。

本文聚焦于从终端用户系统、微网（MG）到配电网层面的负荷预测研究及其在真实能源场景中的应用，旨在推动预测技术从理论走向工程实践。

². 负荷预测的方法论全景

负荷预测模型通常根据预测时间尺度分为超短期、短期、中期和长期，每种类型服务于不同的电力系统应用，例如频率调节、发电机调度、维护计划或基础设施投资规划。预测技术的演进经历了从基于自回归（AR）、指数平滑等统计方法，到广泛应用机器学习（ML）和深度学习（DL）的历程。

ML算法可大致分为监督学习、无监督学习、半监督学习、强化学习（RL）和深度学习。监督学习（如回归、支持向量机SVM、神经网络NN）利用带标签的历史数据训练模型以预测未来负荷，是负荷预测的核心。无监督学习（如K-Means聚类）用于发现数据中的隐藏模式或用户画像。强化学习适用于实时自适应决策，如动态需求管理。而深度学习，特别是人工神经网络（ANN）、卷积神经网络（CNN）、长短期记忆网络（LSTM）和生成对抗网络（GANs），因其强大的时空和非线性依赖关系捕捉能力，近年来显著提升了预测性能。

值得注意的是，规则基系统、智能体基系统和优化技术等虽非传统ML模型，但因常与ML模型结合构成混合预测框架，也被纳入考量。这些方法共同形成了一个智能框架，增强了ML负荷预测的准确性、适应性和整体有效性。

³. 应用驱动的综述：超越算法精度

本文通过一个结构化的多阶段文献筛选方法，对2015至2025年间的高质量研究进行了回顾。区别于以往多数综述，本研究引入了一个“应用成熟度（AM）”框架来评估文献，其关注点从L1级（侧重模型架构与精度）到L3级（强调操作集成与决策相关性）逐级提升。本综述定位为L3级，系统性地将预测定位为决策支持功能，而非独立的预测任务。

综述指出了现有研究中的几个关键局限：许多工作过度关注深度学习模型或预测精度，而缺乏对可扩展性、计算资源需求、实时执行可行性及实际部署约束的充分评估；部分研究忽略了社会经济等外部因素对预测的影响；地理上，数据集多集中于中国、美国和欧洲部分地区，导致模型在非洲、中亚和南美等欠代表性区域的泛化能力存疑。

⁴. 负荷预测通用方法论框架

一个通用的负荷预测流程包含四个关键阶段：数据收集、数据预处理、特征工程，以及需求预测与应用。

数据收集是基石，需汇集多源数据，包括：需求相关数据（历史负荷、智能电表读数）、天气相关数据（温度、湿度、太阳辐照度）、日历与社会经济指标（时间、节假日、人口密度），以及DER与市场相关数据（电池荷电状态SoC、光伏发电、动态电价）。公开数据集（如爱尔兰CER数据、PJM数据）促进了研究的可重复性。

数据预处理旨在保证数据质量，涉及缺失值处理、异常值检测和数据清洗等步骤。

特征工程通过生成、选择和转换特征来提升模型性能。常用技术包括：信号分解（如变分模态分解VMD、经验模态分解EMD、小波变换WT）以分离不同频率成分；创建滞后特征、滚动窗口统计量以捕捉时序依赖；以及基于日历的编码。特征选择（如皮尔逊相关系数PCC、拉索回归Lasso）和聚类（如K-Means）有助于简化模型并揭示数据内在结构。数据标准化（如Min-Max缩放）则是训练前的常规步骤。

需求预测与应用阶段，数据集被划分为训练、验证和测试集。模型选择涵盖从传统时间序列模型（如自回归积分移动平均模型ARIMA）到各类ML/DL模型。预测结果最终应用于电网调度、储能管理、需求响应启动等实际场景，形成闭环。

⁵. 关键贡献与未来方向

本综述作出了四项关键学术贡献：首先，系统分析了不同时间尺度的预测模型如何映射到相应的运营决策层；其次，批判性地审视了实际部署中的数据质量、可扩展性、鲁棒性等挑战；第三，指出了文献中存在的深度学习方法比例失衡问题，并强调了混合与集成策略的价值；最后，提出了连接方法创新与部署现实的决策导向的理论-实践综合框架。

未来研究应致力于增强预测模型在多样化地理和气候背景下的稳健性，发展可解释的AI（XAI）以增加模型透明度，探索边缘计算以支持实时预测，并进一步深化概率预测方法，以更好地量化和管理电力系统中的不确定性。通过强调应用驱动的方法，本工作为开发能够支撑日益动态和数据密集型能源系统的、可解释、可扩展、情境感知的预测模型奠定了基础。