研究速递 | AI电力预测新工具GridFusionX:图神经网络融合多源数据,将备用成本降低66%

随着可再生能源并网比例持续上升，现代电力系统的调度复杂性急剧增加。预测的不确定性迫使运营商要么保留过多备用容量（推高成本），要么保留不足（增加停电风险）。

FAMU-FSU工程学院与佛罗里达州立大学先进电力系统中心的研究团队在 IEEE Transactions on Network Science and Engineering 发表的新研究，开发了一种名为GridFusionX的人工智能工具，通过将电网视为一个互联网络来生成更精准的预测。

该系统整合历史用电需求、可再生能源发电量、能源市场价格等多源数据，生成预测值及其置信区间，帮助运营商在保障可靠性的同时减少浪费的备用容量。在欧洲十个区域的真实测试中，GridFusionX将预测精度提升高达56%，并将备用成本削减高达66%。

网络物理系统安全小组成员，包括（左起）Olugbenga Moses Anubi博士、Ravikumar Gelli博士、Abdulrahman Takiddin博士、博士生Quoc Bao Phan和Tuy Nguyen博士，在佛罗里达州立大学先进电力系统中心的模拟实验室与NovaCor实时模拟器合影

Credit: Scott Holstein/FAMU-FSU College of Engineering

GridFusionX的主要创新在于其多模态能力——能够同时利用多种信息源进行预测。

系统采用图神经网络作为数学框架，将电网中的每个区域映射为图中的一个节点，并建立区域之间的连接边。这些边不仅代表物理输电线路，还包含了共享的天气模式、能源市场联动和其他影响电力使用的因素。

通过在图结构上传播信息，GridFusionX能够捕捉一个区域的变化如何影响邻近区域——例如，某城市因热浪导致空调用电激增，可能通过共享输电线路影响相邻城市的电力可用性。

研究论文第一作者、博士生研究员Quoc Bao Phan表示：“我们的研究将智能系统视为一个动态拼图：从不同能源到城市需求变化再到价格波动，每个因素都相互关联。某个区域发生的情况会影响邻近区域，因为它们共享电力线路、天气模式和能源市场。”

在涵盖十个欧洲区域的真实世界测试中，GridFusionX实现了预测精度提升高达56%，并将备用容量成本削减高达66%，同时保持了可靠的服务水平。精度的提升使运营商能够更高效地规划备用容量，并主动应对突发变化——如需求峰值或可再生能源出力骤降。

论文共同作者、电气与计算机工程系助理教授Tuy Nguyen指出：“通过持续分析这些因素，我们可以更准确地预测能源需求，并进行适应性调整，以确保可靠性和成本节约。”

现有预测方法通常独立处理每个区域，忽略了区域间的耦合关系。

GridFusionX通过图神经网络实现了空间关联预测，能够捕捉一个区域内的负荷变化如何通过电网连接影响邻近区域。同时，系统不仅输出单一预测值，还提供置信区间，使运营商能够量化预测的不确定性，从而在决定保留多少备用容量时做出更科学的权衡——在高置信度时减少备用、节省成本，在低置信度时预留更多、确保安全。

论文共同作者、副教授Olugbenga Moses Anubi解释道：“无论是预测电力使用、交通模式还是天气，减少预测中的不确定性都能让我们做出更明智、更具适应性的决策，造福日常生活。”

GridFusionX的潜在应用不仅限于电网调度。

副教授Ravikumar Gelli指出：“目前，电力公司估算你的使用量以确保你不会少付，这几乎总是意味着你会多付。通过我们的方法，预测变得更加精确，你的账单将与实际使用量相匹配。”

研究者还计划将该框架扩展到其他基础设施系统——如交通流量预测、水资源调度和气候适应性规划。FAMU-FSU工程学院已将相关概念纳入网络安全系统和电力系统人工智能的课程中，使学生能够接触跨学科的电力系统研究。

当图神经网络将电网的每一根输电线路、每一个城市负荷和每一片云层的遮蔽都映射为一个相互连接的数学结构时，电力调度的方式正在被重新定义。

GridFusionX不仅提高了预测精度，更通过量化不确定性使“买多少备用”从经验估计变成了有数据支撑的决策。

在欧洲十个区域、高达66%的备用成本削减，不止是算法的胜利，更是一种思维的转变——将电网视为一个动态互联的整体，而非孤立区域的集合。

当越来越多的可再生能源接入电网，不确定性不再是需要被消除的缺陷，而是可以被量化和管理的变量。而那些更精确的预测，最终可能化作你电费单上更准确的一行数字——这既是智能电网的承诺，也是其最贴近日常的意义。

声明：由合作机构发布于 EurekAlert! 平台的新闻内容，其准确性及相关信息的使用由发布方负责，AAAS 与 EurekAlert! 不承担相应责任。