Levenberg-Marquardt-Optimized Feed-Forward Neural Network for High-Accuracy Day-Ahead Joint Forecasting of Electricity Load and Market Prices in Smart Grid Environments

现代电网不再仅仅是一个电力从大型发电厂流向被动家庭的单向通道。它已演变成一个动态的双向系统，屋顶上的太阳能电池板、电动汽车和智能家电都在与市场进行着不断的交互。在这个复杂的环境中，有两个数字比其他任何数字都更为重要：人们明天需要多少电量，以及这些电力的成本是多少。这两个数值是深度关联的；当需求激增或风力停止时，价格可能会飙升，而当价格上涨时，人们往往会改变其用电方式。准确预测这些数字至关重要。如果公用事业公司预测错误，可能会浪费资金购买昂贵的电力，或者导致灯光闪烁。如果发电厂预测错误，可能会错失销售能源的机会，或者陷入无法支付账单的困境。几十年来，专家们一直试图使用统计工具来预测这些数字，但天气和人类行为的极度不可预测性使得这项任务变得异常困难。

一组研究人员现在提出了一种解决该问题的新方法，重点关注一种旨在从过去模式中学习的特定类型的计算机程序。他们没有尝试分别预测负荷和价格，而是构建了一个能够同时预测这两个指标的单一系统。可以将这个系统想象成一名学生，通过阅读一本历史书来理解天气和公园人群规模这两个相关事件是如何相互影响的，而不是在两门不同的课程中分别学习天气和人群。研究人员使用了一种称为 Levenberg-Marquardt 算法的方法来训练这个系统。简单来说，这是一种复杂的数学技术，有助于计算机比旧方法更快、更可靠地学习，通过调整其内部设置来找到对数据的最佳拟合，而不至于陷入死胡同。

该团队使用来自 PJM Interconnection（一个覆盖美国东部部分地区的庞大电力市场）的真实世界数据测试了他们的方法。他们将数小时的历史信息输入计算机，包括过去的用电量、过去的价格、温度预测，甚至还有关于可再生能源可用性的预测。计算机被要求综合所有这些信息，同时预测未来二十四小时的负荷和价格。结果令人印象深刻。与包括标准神经网络和传统统计模型在内的其他流行预测工具相比，这个新系统在电力负荷和市场价格方面的误差都更小。它在所有指标上都实现了最低的误差度量，优于像持久性模型（persistence）和 ARIMA 这样的基准方法，并证明了这种联合建模方法成功捕捉到了市场的复杂动态。

这一发现之所以特别有用，不仅在于其准确性，还在于其在负荷预测方面的速度和简洁性。许多现代人工智能模型需要大量的计算能力，且训练时间很长，这使得它们难以应用于必须快速做出决策的实时场景。然而，这个新模型相对紧凑，训练速度非常快。它能够在不需要更复杂的深度学习系统这类“重型机械”的情况下，捕捉到用电量与电力成本之间复杂且隐藏的关系。研究人员发现，通过在两个预测之间共享网络的“思考”部分，系统学会了高需求往往会导致高价格，并且这些模式会根据一天中的时间和一周中的天数以可预测的方式重复出现。

研究还密切观察了该模型随时间变化的表现，检查它是否能够应对不同的季节和异常的市场状况。分析表明，负荷误差分布均匀，这意味着系统不会一致地高估或低估数值。它很好地处理了每日循环，能够高保真地预测用电高峰（早晚高峰）。虽然研究人员指出，价格预测的准确性仍然高度依赖于提供给系统的天气和可再生能源预测的质量，但核心方法在两个变量上都证明了其稳健性。他们还指出，这种方法侧重于给出未来的单一最佳预测，而不是一个可能性的范围，这对于某些风险管理任务来说是一个局限，但对于即时运营规划而言则是理想的。

最终，这项工作表明，有时最有效的解决方案并非最复杂的方案。通过利用一种强大的训练方法来改进一种较旧且成熟的计算机程序，该团队创造了一个既快速又准确的工具，能够帮助管理现代智能电网中电力需求和市场价格之间的微妙平衡。能够通过一次快速计算同时预测电力需求及其成本，为那些维持照明和市场运转的人员提供了实际的优势。随着电网向更多可再生能源和电动汽车方向演进，拥有可靠且高效的方式来预判这对双重挑战变得愈发重要。这项研究表明，通过正确的数学工具，我们可以比以往任何时候都更清晰地洞察未来电网的不确定性。