短期能量调度是电力系统脱碳的关键运行杠杆，因为其直接影响可再生能源并网、火电依赖程度以及全系统成本与排放。尽管深度学习预测与调度优化已取得进展，但将预测精度嵌入调度决策所产生的运行价值，迄今仍未在国家尺度上得到量化。本研究针对这一空白，构建了一种预测驱动型调度框架，将长短期记忆网络（LSTM）预测、元启发式超参数调优以及用于支持低碳运行的确定性日调度多目标线性规划（LP）相耦合。该框架在智利电力系统上进行了评估；智利作为一个可再生能源快速扩张且区域条件高度异质的新兴经济体，具有代表性。研究使用了2016年至2023年间覆盖14个区域和7类发电技术的历史数据。为确保输入可靠性，研究人员对多种预测架构进行了基准比较，并将所选模型嵌入线性调度模型，在限制火力发电的同时联合最小化运行成本与CO2 排放。在滚动单步超前评估下，LSTM相较于自回归积分滑动平均模型（ARIMA）使均方根误差（RMSE）平均降低17.7%，相较于季节性自回归积分滑动平均模型（SARIMA）平均降低16.7%。与传统基线调度相比，预测驱动型调度可使运行成本降低21.7%，CO2 排放降低42.5%，火力发电量降低22.9%。敏感性分析进一步证实，预测误差会引起近线性的成本影响，但会导致非线性且具有区域特异性的排放响应；这一结果通过500次蒙特卡洛（Monte Carlo）模拟得到量化。上述发现表明，预测驱动型调度能够在不增加计算复杂度的前提下带来显著的经济与环境效益，并为面临可再生能源加速并网的新兴经济体提供一种透明且可扩展的决策支持工具。
该论文发表于《ENERGY CONVERSION AND MANAGEMENT》，聚焦于电力系统低碳转型背景下短期运行调度与预测模型深度耦合的实际价值。研究背景在于，全球能源系统正因气候变化应对、可持续发展目标以及可再生能源渗透率持续上升而加速重构。传统电力调度方法往往依赖历史均值、确定性外推或经验规则，在高比例可再生能源接入条件下，已难以有效应对供需波动、区域异质性和低碳约束。现有研究虽在短期负荷与可再生能源出力预测方面广泛采用人工智能（AI）、机器学习（ML）和深度学习（DL）方法，也在能源调度优化、随机优化和鲁棒优化等领域形成了丰富成果，但预测模块与调度模块在多数实际应用中仍处于割裂状态。正是这种“预测—调度”脱节，削弱了电力系统在日前发电安排、燃料配置和排放控制中的主动调控能力，也造成火电调用偏多、CO
2 强度偏高以及对可再生能源波动适应不足等问题。因此，有必要建立一种能够将预测信息直接转化为调度决策依据的统一框架，以提升国家尺度电力系统的经济性、可靠性与环境绩效。
基于上述问题，研究人员提出了一个预测驱动型的LSTM–LP一体化框架，将长短期记忆网络（LSTM）与多目标线性规划（LP）耦合，用于支持确定性日电力调度。该研究以智利国家电力系统为案例，利用2016—2023年14个区域、7类发电技术的真实历史运行数据，验证该框架在国家尺度、多区域异质系统中的适用性。研究首先对多种时间序列预测架构进行比较，选取预测性能更优的LSTM模型作为日前调度输入；随后通过线性调度模型在满足运行约束条件下联合优化运行成本、CO
2 排放与火力发电占比。研究结果表明，LSTM在滚动单步预测场景中明显优于ARIMA与SARIMA；进一步地，当预测结果嵌入日调度后，相比传统基线调度能够显著降低运行成本、CO
2 排放与火电依赖。论文的重要意义在于，研究不仅证明了提高预测精度本身具有统计意义，更关键地量化了预测信息进入调度决策后在系统运行层面产生的真实经济—环境收益，说明预测驱动型调度是一种可解释、可扩展、且不会显著增加计算复杂度的低碳运行支撑工具，尤其适用于可再生能源快速扩张的新兴经济体电力系统。
就关键技术方法而言，研究主要采用了以下几个层面的技术路径：其一，基于智利国家电力系统2016—2023年的历史运行数据开展多区域、多技术类型时间序列建模，样本覆盖14个区域与7类发电技术；其二，构建LSTM预测模型，并结合元启发式方法开展超参数优化，以提升短期负荷及发电预测精度；其三，采用滚动单步超前评估，将LSTM与ARIMA、SARIMA进行基准对比，以验证预测层的可靠性；其四，建立多目标线性规划调度模型，在确定性日调度框架下同时最小化运行成本与CO
2 排放，并限制火力发电；其五，通过500次蒙特卡洛模拟开展敏感性分析，评估预测误差向调度成本和排放指标的传导效应。
在研究结果部分，论文围绕预测模型选择、调度优化表现、与基线调度的比较以及预测误差敏感性分析展开。
Methods
该部分系统描述了研究所提出的集成框架，即如何将短期预测嵌入工业能源系统的多目标运行调度模型。研究流程覆盖数据准备、基于严格时间序列评估的模型选择、超参数优化以及将预测结果转化为调度决策的优化层。该部分强调了方法的可复现性、统计严谨性和计算可处理性。由此可以看出，论文的方法学重点并非单纯追求预测精度，而是构建一个能够直接服务于调度决策的“预测—优化”协同体系。
Case study application
该部分说明了研究框架在智利国家电力系统中的具体应用。研究人员介绍了系统特征、数据来源、预处理步骤，以及预测模块和优化模块的实施方式。智利电力系统具有可再生能源快速扩张、区域差异显著等特点，因此适合用来检验所提框架在国家尺度和异质区域条件下的表现。通过将14个区域和7种发电技术统一纳入分析，研究增强了结论的代表性和推广潜力。
Results
该部分展示了预测模型筛选结果、调度优化结果、与基线调度的比较分析，以及预测误差传播的敏感性分析。首先，在预测层面，研究人员通过滚动单步超前评估表明，LSTM相较ARIMA平均降低RMSE 17.7%，相较SARIMA平均降低RMSE 16.7%。这说明LSTM能够更有效捕捉电力系统供需序列中的非线性时间依赖关系，为后续调度提供更高质量输入。其次，在调度层面，将LSTM预测嵌入多目标线性规划后，预测驱动型调度相较传统基线调度实现了21.7%的运行成本降低、42.5%的CO
2 排放降低以及22.9%的火力发电减少。这一结果表明，预测精度提升并非仅停留在统计指标改善上，而是能够转化为显著的系统运行收益。再次，敏感性分析表明，预测误差对成本的影响近似线性，但对排放的影响则表现为非线性且具有明显区域特异性。研究人员通过500次蒙特卡洛模拟量化了这一机制，说明在热电依赖较强的区域，预测偏差可能导致更突出的排放放大效应。该发现揭示了成本目标与环境目标对预测误差的响应机制并不对称，也突出了在低碳调度中关注排放敏感性的必要性。
Conclusions
研究结论指出，预测驱动型运行调度是提升电力系统经济与环境绩效的一种有效且实用的手段。通过将短期需求与发电预测整合进确定性日调度模型，所提出框架能够支持对可控资源的主动调度，减少对火力发电的依赖，并在不增加计算复杂度的前提下促进低碳系统运行。换言之，该研究证明了在国家尺度电力系统中，基于LSTM的短期预测与线性规划调度的结合，不仅具有方法上的透明性和可扩展性，而且能够为可再生能源加速并网条件下的区域能源规划提供稳健的决策支持。
从讨论部分可归纳出，论文的核心贡献不在于提出更复杂的端到端决策学习范式，而在于通过顺序式“先预测、后优化”架构，在可扩展性、可解释性与经验基准建立之间取得平衡。研究人员明确指出，将LP直接嵌入神经网络损失函数的可微优化层，在14个区域×365天的国家尺度场景下计算代价较高；与此同时，将预测层与调度层分离，有利于分别审计各模块性能，提高方法透明度。更重要的是，研究所发现的排放响应非对称性说明，如果采用对称损失结构，可能会系统性低估低预测情形下的环境代价。因此，本文所采用的LSTM–LP架构不仅在工程上更具可实施性，也更契合低碳调度中成本—排放双重目标的现实需求。
结论部分可译为：本研究表明，预测驱动型运行调度构成了改善电力系统经济和环境绩效的一种有效且切实可行的手段。通过将短期需求和发电预测整合到确定性日调度模型中，所提出框架能够实现对可控资源的主动调度，降低对火力发电的依赖，并在不增加计算复杂度的情况下支持电力系统低碳运行。
总体而言，论文通过智利国家电力系统这一真实案例，验证了预测信息嵌入日电力调度对降本、减排和抑制火电依赖的显著作用。研究将LSTM预测、元启发式超参数优化与多目标LP有机结合，在国家尺度上展示了预测驱动型调度的技术可行性和政策相关性。其结论对于正在推进能源转型、可再生能源占比持续提升且区域条件复杂的新兴经济体具有直接参考价值，也为未来构建更高分辨率、更强不确定性感知能力的低碳电力调度体系奠定了实证基础。
打赏
