数据延迟与时间分布偏移下用于德国再调度预测的机器学习

arXiv:2610.08337v1 公告类型：交叉收录 摘要：公开的再调度记录为电网拥塞预测提供了实证数据，但报告延迟、零膨胀分布和时间分布偏移带来了重大的建模挑战。我们使用已公布的德国输电记录，在实验设定的信息时效约束下，评估概率机器学习预测的准确性与可靠性。该基准评估了德国四家输电系统运营商在2021至2024年间的八条上调和下调干预电量日度序列（48,242条符合条件的记录；2024年共354个评估日期）。我们在目标数据至少延迟七天可用的约束下，比较了季节性经验模型、正则化自回归（ARX）模型、分位数 LightGBM、GRU 和 Transformer 模型。神经网络架构采用零截尾输出头，以适应取值恰好为零的结果。我们使用归一化加权区间评分（nWIS）、经验覆盖率和分块自助法推断，评估静态、滚动及自适应延迟反馈校准。未经校准的 LightGBM 的 nWIS 为0.7952，相较于 ARX（1.0604）和季节性基线（0.8739）分别改善了25.0%和9.0%（Holm 校正后 p<0.005）。滚动校准将 LightGBM 的 nWIS 改善至0.7767，而静态校准为0.8251（p=0.0092）；名义覆盖率为90%的区间，其实际覆盖率为91.81%。采用零截尾输出的 Transformer 的 nWIS 为0.8161，与 LightGBM 无显著差异（p=0.260）。然而，总体覆盖率掩盖了大电量干预期间严重的覆盖不足问题（超过阈值的事件覆盖率为61.91%）。这些结果表明，在目标数据延迟可用的情况下，采用滚动校准的提升树模型能够准确预测再调度总电量的概率分布，但总体上达到名义覆盖水平并不能确保在极端拥塞事件期间的可靠性。