📊 statistics

Hierarchical Probabilistic Conformal Prediction for Distributed Energy Resources Adoption

本文提出了一种新颖的分层概率符合预测框架，该框架将多元霍克斯过程（multivariate Hawkes process）与定制的分裂符合算法（split conformal algorithm）相结合，旨在为不同电网层级的分布式能源采用情况提供统计有效的聚合不确定性量化，在准确性和校准度方面均优于现有基准模型。

原作者： Wenbin Zhou, Shixiang Zhu

发布于 2026-06-11

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Wenbin Zhou, Shixiang Zhu

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，电网就像一座巨大而复杂的城市。在这座城市中，有变电站（主要的电力枢纽）和电路（从这些枢纽分支出来的较小的社区或街道）。

长期以来，城市规划者（公用事业公司）非常清楚有多少电力流入城市。但现在，发生了一些新变化：人们开始安装自己的能源，比如屋顶太阳能电池板和家用蓄电池。这些被称为分布式能源（DERs）。

这对环境非常有益，但对规划者来说却是个头疼的问题。如果一条街上的太多邻居都安装了太阳能电池板，可能会导致局部线路过载或电压激增。如果他们没有提前规划，电网可能会崩溃。

问题在于：没有人确切知道谁会在何时、何地安装电池板。 这种增长是快速、不均衡且充满惊喜的。就像试图猜测明年哪些住户会买新车一样。

旧方法 vs. 新方法

旧方法（点预测）：
想象一位天气预报员说：“明天将降雨量正好是 0.5 英寸。”如果实际降雨量是 0.6 英寸，他们就“错了”。如果降雨量是 0.4 英寸，他们也“错了”。在现实世界中，稍微偏离一点都可能是危险的。规划者需要的是一个范围，比如“降雨量将在 0.3 到 0.7 英寸之间”。

旧范围的问题：
即使预报员得出了每个街道的正确范围，当把它们全部相加时，数学逻辑往往会失效。

A 街： 预测 1–3 块电池板。
B 街： 预测 1–3 块电池板。
枢纽（变电站）： 如果你只是简单相加这些范围，你可能会认为总数是 2–6 块电池板。但由于这些街道是相互连接的，如果 A 街增加了很多，B 街也可能随之增加。真实的“总数”实际上可能是 0–10。旧的数学方法创造了一种虚假的安全感，导致要么浪费资金（建设过多），要么发生停电（建设不足）。

解决方案：HPCP（“智能社区监察”）

作者提出了一种名为**分层概率符合预测（HPCP）**的新方法。你可以把它想象成电网的“智能社区监察”。

它是如何工作的，我们用简单的类比来说明：

1. 学习“社会传染”（霍克斯过程/Hawkes Process）
该论文使用了一种称为**多元霍克斯过程（Multivariate Hawkes Process）**的模型。想象一个谣言在小镇上传播：如果一个人开始散布谣言，他的邻居也更有可能开始这样做。

在电网中： 如果 A 电路的一位住户安装了太阳能电池板，这会让他在 A 电路的邻居（甚至是在连接到同一变电站的附近 B 电路的邻居）也更有可能安装。
该模型学习了这些“社会性”模式。它不仅仅是观察历史；它理解这种采用行为具有传染性。

2. “模拟游戏”（概率采样）
模型并没有只猜一个数字，而是运行了数千场“假设”游戏。

它模拟：“如果 A 街有 5 个人安装了电池板会怎样？如果是 10 个呢？如果是 2 个呢？”
它为每条街道进行这种模拟，从而创建了一个庞大的可能未来库。

3. “兄弟检查”（核心秘诀）
这是最重要的部分。在标准的预测中，你会分别检查 A 街是否预测正确，然后再检查 B 街。

HPCP 的窍门： 它在检查 A 街的预测时，还会同时查看其“兄弟”（连接到同一个变电站的其他街道）。
如果模型预测 A 街会有 5 块电池板，但“兄弟”街道都在预测 0，那么模型就知道出问题了。它会调整预测值，以确保当把 A 街 + 兄弟街道相加时，总数依然是合理的。
这个比喻： 想象一位老师在给班级评分。老师不仅检查学生 A 是否及格，还会检查学生 A 的成绩与其学习小组的成绩是否匹配。如果小组的总分是不可能的，老师就会调整个人成绩，以确保小组总分是有效的。

为什么这很重要

论文在印第安纳州印第安纳波利斯（Indianapolis, Indiana）的真实数据上测试了这种方法，研究对象是太阳能电池板的安装情况。

它更准确： 该方法比其他方法更频繁地正确预测了新增电池板的数量。
它的范围更紧凑： 它并没有给出一个巨大的、保险的范围（如“0 到 100 块电池板”），而是给出了一个有用的范围（如“15 到 25 块电池板”），这对于规划工作要有用得多。
它在顶层是安全的： 最重要的是，它保证了如果你把所有社区的预测相加，主电力枢纽的总预测也是正确的。

总结

作者构建了一个工具，帮助电力公司在不靠猜测的情况下规划未来。通过理解太阳能电池板的采用是如何像谣言一样在社区间传播，并通过检查从街道层面到城市层面的数学逻辑是否一致，他们可以构建一个既能应对绿色能源革命，又不会浪费资金或面临停电风险的电网。

论文中提到的局限性：

它假设电网结构（谁连接到谁）不会发生快速变化。
它最适合短期规划（未来几个月），而不是预测 10 年后的未来，因为它高度依赖于近期的历史数据。
目前它仅处理两级系统（街道 $\rightarrow$ 枢纽），而非复杂的四级系统（街道 $\rightarrow$ 社区 $\rightarrow$ 枢纽 $\rightarrow$ 区域）。

技术摘要：用于分布式能源采用情况预测的分层概率符合预测

问题陈述

分布式能源（DERs，如屋顶太阳能电池板）的快速采用为电网管理引入了显著的运营挑战。准确预测 DER 的增长对于前瞻性的基础设施规划至关重要，然而传统的点预测方法无法捕捉到采用模式中固有的不确定性和空间差异性。

一个关键且常被忽视的挑战是配电网的分层结构。电网由连接到变电站的多个电路组成。运营决策需要在单个电路层面和聚合的变电站层面同时具备可靠的预测。标准的符合预测方法虽然能确保在个体层面（电路）的有效性，但不能保证聚合预测（变电站）仍能保持统计覆盖率。对电路级区间进行朴素聚合会导致逻辑上的不一致，从而导致变电站级的区间要么低估、要么高估真实的确定性，进而损害风险管理和规划决策。

方法论

本文提出了分层概率符合预测（Hierarchical Probabilistic Conformal Prediction, HPCP），这是一个分布无关（distribution-free）的框架，旨在构建同时在电路级和变电站级均满足统计有效性保证的预测区间。该方法集成了三个核心组件：

概率基础模型（多元霍克斯过程/Multivariate Hawkes Process）：
该框架利用多元霍克斯过程来建模 DER 采用的空间-时间动态特性。与传统的序列模型不同，这种方法能够捕捉：
- 自激性（Self-excitation）： 同一电路内过往安装行为对未来采用的影响。
- 相互影响（Mutual influence）： 即“传染”效应，即一个电路中的安装情况如何影响相邻电路。
- 外生因素： 社会经济和政策协变量。
  该模型通过**细化采样（thinning sampling）**生成概率预测，产生未来安装数量的分布而非单一的点估计。这保留了对于不确定性量化至关重要的方差和尾部行为。
分层非符合性得分（Hierarchical Non-Conformity Score）：
核心创新在于拆分符合预测算法中所设计的非符合性得分。
- 标准方法通常独立处理各维度或进行全局误差池化。
- HPCP 基于**“兄弟电路”（sibling circuits）**（连接到同一变电站的电路）来定义得分。对于给定的电路 $k$ ，其得分结合了与同一变电站相关联的所有电路的残差。
- 具体而言，得分 $e_{j,k}$ 是观测向量与模拟向量之间差异的最小 $\ell_\infty$ 范数，且该差异受限于兄弟电路集合。这利用了电网拓扑结构来对齐聚合预测的边界。
拆分符合预测校准（Split Conformal Calibration）：
将数据分为训练集和校准集。
- 训练集用于拟合霍克斯过程的参数。
- 校准集用于模拟未来结果以计算非符合性得分。
- 通过估计这些得分的适当分位数来构建预测区间。
- 为了应对潜在的分布偏移，该方法采用了基于校准窗口与预测时间之间时间接近程度的加权分位数调整。

核心贡献

拓扑感知聚合： 本文引入了一种新的非符合性得分，该得分明确结合了电网的隶属矩阵（电路到变电站的连接关系）。这确保了预测区间不仅在单个电路层面有效，而且在其在变电站层面的线性聚合上也保持有效。
理论保证： 作者在温和的正规性条件下（特别是残差的强混合性）建立了有限样本的有效性保证。他们证明了该方法在两个层面上都满足覆盖约束，解决了依赖数据和分层聚合这一非平凡挑战。
效率提升： 理论分析（命题 1）表明，与标准的边际符合预测、联合符合预测以及基于 $\ell_p$ 范数的替代方案相比，所提出的得分能产生更紧凑（更高效）的预测区间。这是通过利用隶属矩阵的稀疏性和 $\ell_\infty$ 范数的性质实现的。
实证验证： 该框架在合成数据和来自印第安纳州印第安纳波利斯的真实客户级太阳能安装数据上进行了评估。

结果

合成数据： 在各种模拟场景下（改变稀疏度、强度和相关性），HPCP 始终实现了高于名义参考水平的经验覆盖率，同时产生的区间大小明显小于联合预测和 Bonferroni 校正的基准模型。
真实世界数据（印第安纳波利斯）：
- 预测准确性： 在多个时间分辨率（从月度到年度）下，作为基础模型的多元霍克斯过程在平均绝对误差（MAE）方面优于标准基准模型（RNN, LSTM, VAR, 高斯过程）。
- 不确定性量化： HPCP 在电路级和变电站级均达到了预期的 90% 覆盖率。相比之下，其他方法要么未能达到覆盖目标，要么产生了过宽的区间。
- 敏感性： 该方法对模拟规模 ( $M$ ) 和名义误覆盖率的变化保持稳健，在适中的模拟规模下观察到最优效率。
- 空间洞察： 模型成功识别了采用增长的区域差异及其相关的确定性，突出了高增长潜力与复合规划风险并存的区域。

意义与主张

本文声称 HPCP 提供了一个具有理论依据且在实践中可靠的拓扑感知型 DER 运营规划工具。其意义体现在三个方面：

可靠性： 它解决了现有文献中的关键空白，即电路级预测无法转化为有效的变电站级保证，而这对于风险厌恶型的电网管理是必要的。
效率： 通过利用网络拓扑，它避免了朴素聚合方法常见的过度保守性，提供了更锐利的区间，更有利于决策制定。
适用性： 该框架特别适用于数据有限且具有高度随机性的环境，例如新兴的 DER 市场，在这些市场中，传统的点预测极易出现高误差。

作者承认了局限性，指出目前的算法假设存在固定的两级分层结构，且最适用于短期预测。他们建议未来的工作可以将该框架扩展到更深层次的分层结构和非静态的网络结构。