💻 计算机科学

ST-MRC: A Service-Oriented Probabilistic Forecasting Method for Virtual Power Plant Aggregated Coupled Loads Based on Set Attention Encoding and Multi-Scale Residual Correction

本文提出了 ST-MRC，一种结合了基于集合变换器（Set Transformer）的交互编码与多尺度残差修正的三阶段面向服务的概率预测框架，旨在为虚拟电厂参与市场提供准确的耦合负荷预测与不确定性量化。

原作者： Zewei Chen, Rongheng Lin

发布于 2026-11-10

📖 1 分钟阅读☕ 轻松阅读

原作者： Zewei Chen, Rongheng Lin

原始论文采用 CC BY 4.0 许可（https://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

在现代能源格局中，电网不再仅仅是电力从大型中央发电厂流向被动式家庭的单向通道。一种新的范式已经出现：虚拟电厂。想象一位数字指挥家，他将成千上万个零散的微小能源资源——屋顶太阳能电池板、家用蓄电池、电动汽车充电器以及灵活的工业机器——汇集在一起，并将它们视为一个单一且强大的整体。这个集体可以出售电力或调整其消耗量以帮助稳定电网，其作用类似于传统的发电站，但没有烟囱。为了使这一系统运作，虚拟电厂必须准确知晓其收集的资源在任何给定时刻将使用或生产多少电力。如果预测失误，它将面临财务损失或电网不稳定的风险。挑战在于这些集合是流动的；成员可以随时加入或退出，而且单个设备的行为往往是不可预测且具有混沌性的。此外，这些设备并非孤立运行；它们会相互影响。当热浪袭来时，一栋商业建筑和附近的充电站可能会同时出现需求激增，从而产生一个大于其简单加总的部分的综合效应。

北京邮电大学的研究人员开发出一种新方法来解决这一预测难题，旨在高精度地预测这些复杂且不断变化的群体的行为。他们将这种方法称为 ST-MRC，这是一个旨在处理虚拟电厂独特混沌性的系统。研究人员并没有试图将整个群体的行为作为一个巨大的、混乱的整体进行预测，而是将问题分解为三个逻辑步骤。首先，他们分别预测每个单个设备的未来负荷。然后，他们使用一种专门的数字工具来理解这些设备如何相互作用，寻找它们的需求可能重叠或抵消的模式。最后，他们应用了一种通过学习过去错误来进行自我修正的机制，根据该群体的行为在不同时间尺度（从分钟到小时）上的演变来调整最终的预测。

这项创新的核心在于认识到，一组设备不仅仅是一份数字清单。研究人员使用了一种称为“集合注意力编码”（set attention encoding）的技术，这使得计算机可以同时观察整个设备集合，无论其中有多少个设备。如果一个设备加入或离开虚拟电厂，系统可以立即适应而无需重新训练。该工具密切关注设备之间的关系，识别出商业建筑和电动汽车充电器何时可能同时达到峰值，从而产生一个简单的加总法会遗漏的突发需求。通过捕捉这些隐藏的联系，该系统能够构建出一个更清晰的关于群体真实潜力的图景。

为了进一步完善这一图景，团队引入了“多尺度残差修正”（multi-scale residual correction）。通俗地说，这意味着系统会观察预测值与实际发生情况之间的差异，并研究这种差异随时间变化的方式。它分别检查短期波动、中期偏移和长期趋势。例如，它可能会学到在炎热的下午，该群体总是会一致性地低估其冷却需求一定的量，或者在某些市场事件期间，设备会同步使用，从而产生一种可预测的误差。通过分析不同时间窗口内的这些模式，系统可以对初始猜测进行精确的修正，有效地通过学习自身的历史来提高未来的准确性。

该方法的成果在来自中国商业园区以及包含太阳能农场、储能系统和灵活工业负荷等多样化资源的规模化欧洲网络型的真实数据上进行了测试。这种新方法比以往仅简单加总单个预测的传统方法表现出了显著更高的准确性。在涉及商业建筑和充电站的测试中，与简单加总个体预测的标准方法相比，该系统将平均预测误差降低了近一半。它在提供可能结果的范围而非单一数值方面也表现出色。当研究人员要求系统预测一个具有高置信度的实际负荷落入的范围时，它提供的区间既比其他先进模型更窄，也更可靠。这意味着电网运营商可以以更高的确定性做出决策，因为风险的边界已被明确定义。

研究还表明，该方法在群体规模发生变化时依然保持稳健。无论虚拟电厂管理的是由三个设备组成的小型集群，还是由十个设备组成的大型聚合体，该系统都能保持其准确性。这种稳定性对于现实世界的应用至关重要，因为参与资源的数量在不断波动。研究人员发现，理解设备间相互作用的能力是该方法成功的关键；如果没有这种理解，随着更多设备的加入，误差会随之增大。通过将对个体行为的深度理解与对群体动态的精妙把握相结合，ST-MRC 方法为管理复杂且互联的未来能源系统提供了一个强有力的工具。

这项工作表明，能源管理的未来不在于将资源视为孤立的单元，而在于理解它们之间复杂的关联网络。研究人员证明，通过使用先进的注意力机制来观察这些联系，并利用多尺度学习来修正可预测的误差模式，实现对动态能源群体行为的高精度预测是可能的。随着世界向更清洁、更去中心化的能源系统迈进，此类工具对于维持电力供应和市场稳定至关重要，它们能将一个混乱的个体设备集合转化为一个可靠且协调的力量。

技术摘要：用于虚拟电厂聚合耦合负荷的 ST-MRC 模型

1. 问题陈述

虚拟电厂（VPP）通过聚合可控负荷、储能和发电等分布式能源（DER），参与电力市场和需求响应。VPP 运营中的一个关键挑战是实现对聚合耦合负荷的准确预测。传统的预测方法在此背景下面临三个主要局限性：

动态成员关系： VPP 的聚合规模通常是变化的，因为资源会加入或退出。传统的序列模型（如 RNN、标准 Transformer）通常假设输入维度固定，当资源集合发生变化时需要重新训练。
非线性耦合： 简单的个体单元预测求和忽略了异构实体之间复杂的相互作用（例如，峰值共时性、峰值错位），从而导致系统性的聚合误差。
不确定性量化： 现有方法往往无法提供鲁棒的概率预测，无法考虑各单元之间误差的协方差，而这对于风险意识型的市场竞价和决策至关重要。

本文指出，聚合残差的方差包含反映物理耦合的重要协方差项，而独立的单元模型无法捕捉这些项。

2. 方法论：ST-MRC 框架

作者提出了 ST-MRC（基于 Set Transformer 的多尺度残差修正），这是一个面向服务的概率预测框架，旨在处理动态、异构且具备不确定性的 VPP 负荷。该架构遵循三阶段递进式设计：

A. 个体预测

过程始于为聚合中的每个个体实体（ $u_i$ ）生成点预测。该框架利用轻量级、高性能的模型，如 PatchTST（用于捕捉局部时间依赖性和季节性）或 DLinear（用于趋势分解），以及作为基准的 LSTM，来生成每个单元的 $H$ 步前向预测（ $\hat{y}_{i,t}$ ）。

B. 集集合注意力特征编码

为了解决 VPP 成员集的变长规模和置换不变性问题，该框架采用了 Set Transformer。

输入： 一个特征向量集合 $X = \{x_1, x_2, ..., x_N\}$ ，其中每个向量结合了未来的个体预测、历史负荷观测、静态属性（如容量、类型）以及外部驱动因素（如分时电价）。
机制： Set Transformer 使用多头自注意力机制来计算集合中任意两个单元之间的交互权重，从而捕捉诸如峰值共时性之类的非线性耦合模式。
输出： 通过使用可学习查询向量的池化机制，将变长的集合编码为一个固定长度的全局交互向量（ $z \in \mathbb{R}^{128}$ ）。该向量封装了聚合体的集体交互状态。

C. 多尺度残差修正与概率预测

核心创新在于修正聚合误差，而非仅仅对个体预测进行求和。

残差定义： 聚合残差定义为真实聚合负荷与个体预测之和之间的差异（ $e_t = Y_t - \sum \hat{y}_{i,t}$ ）。
多尺度 TCN： 一个具有并行分支和不同膨胀率（1, 4, 16）的时间卷积网络（TCN）处理拼接后的全局交互向量和外部特征（天气、时间）。它提取短时（15 分钟）、中时（1 小时）和长时（4 小时）尺度的残差演化模式。
分位数回归： 融合后的特征被送入分位数回归头，以预测特定分位数水平（ $\tau \in \{0.1, 0.5, 0.9\}$ ）下的残差。
最终输出： 修正后的点预测为 $\tilde{Y}_t^{0.5} = \sum \hat{y}_{i,t} + \hat{e}_t^{0.5}$ ，概率区间为 $[\tilde{Y}_t^{0.1}, \tilde{Y}_t^{0.9}]$ 。

3. 核心贡献

置换不变架构： 通过集成 Set Transformer，该方法从根本上解决了处理动态变化的成员集时的挑战，无需重新训练，克服了固定输入序列模型的局限性。
交互感知残差学习： 与通用的多尺度 TCN 不同，所提框架专门设计了 TCN 来提取由耦合效应驱动的残差演化模式，而非原始负荷序列。它对聚合方差中的协方差项进行了建模。
统一的概率框架： 该方法通过直接对残差应用分位数回归，在单次前向传递中同时输出点预测和预测区间，为两阶段方法提供了一种更高效的替代方案。
理论视角： 本文证明了聚合残差方差包含了表征耦合效应的协方差项，这为为什么交互感知建模优于简单求和提供了理论依据。

4. 实验结果

该方法在三个数据集上进行了验证：两个国内商业园区数据集（数据集 1 和 2）以及一个大规模欧洲异构聚合器数据集（数据集 3）。

点预测准确度： ST-MRC 在所有数据集上均实现了最低的平均绝对误差（MAE）和均方根误差（RMSE）。
- 在数据集 1 上，与直接求和相比，ST-MRC 的 MAE 降低了 48.9%；与最先进的 DeepRes-VPP 相比，降低了 5.5%。
- 在数据集 3 上，它在 1 到 48 步的预测步长内均保持了最低的 RMSE，在 1 步预测步长下比 DLinear 提升了 22.6%。
概率预测质量： ST-MRC 实现了高经验覆盖率（PICP）和最窄的预测区间（PINAW）。
- 在数据集 1 上，它实现了 90.2% 的 PICP（对比次优模型的 87.2%）以及 105.3 的 PINAW，在覆盖率和锐度方面均显著优于 DeepAR-QR 和 TFT-QR 等基准模型。
可扩展性： 改变聚合单元数量（3 到 10 个）的实验表明，ST-MRC 的误差增长相对平缓，表明其在聚合规模增加时能有效建模跨单元依赖关系。
消融实验： 移除 Set Transformer、残差修正或多尺度处理会导致性能显著下降。具体而言，用均值池化替换 Set Transformer 会使 RMSE 增加 14.7%（从 3 变为 36.82），移除残差修正会使 RMSE 增加 19.8%，而移除多尺度处理（单尺度，膨胀率=1）则会使 RMSE 增加 6.6%。

5. 重要性与主张

论文声称，ST-MRC 通过超越简单的误差修正，转向对依赖于交互的残差特性进行建模，为动态 VPP 聚合场景提供了一种根本性的新解决方案。

面向服务： 该方法针对 VPP 服务的动态、异构特性进行了定制，使其能够在无需频繁重新训练的情况下，实现可靠的电力市场交易和需求响应决策。
不确定性量化： 通过利用集合注意力机制和多尺度学习有效地对误差协方差进行建模，该框架提供了可靠的不确定性量化，这对于能源系统的风险管理至关重要。
高效性： 单次前向传递即可生成点预测和概率预测，为复杂的两阶段流程提供了一种计算高效的替代方案。

作者总结道，ST-MRC 显著提高了确定性准确度和概率不确定性估计，使其成为优化面对动态资源聚合时的 VPP 运营的有力工具。未来的工作建议探索动态注意力机制、联合优化的强化学习以及向多能耦合系统的扩展。