Uncertainty quantification in load profiles with rising EV and PV adoption: the case of residential, industrial, and office buildings

📄 arXiv: 2512.01914v1 📥 PDF

作者: Aiko Fias, Md Umar Hashmi, Geert Deconinck

分类: eess.SY

发布日期: 2025-12-01

💡 一句话要点

针对高比例电动汽车和光伏接入场景，提出住宅、工业和办公建筑负荷预测不确定性量化方法。

🎯 匹配领域: 支柱四：生成式动作 (Generative Motion)

关键词: 不确定性量化 电动汽车 光伏发电 负荷预测 分布式能源 智能电网 统计指标

📋 核心要点

  1. 电动汽车和光伏发电的普及给电力负荷预测带来了显著的不确定性，传统方法难以有效量化这种不确定性。
  2. 该论文的核心思想是评估多种统计指标，并根据不同建筑类型（住宅、工业、办公）选择合适的指标来量化负荷不确定性。
  3. 实验结果表明，联合考虑电动汽车和光伏发电可以降低整体不确定性，尤其是在办公楼宇中效果显著。

📝 摘要（中文）

光伏发电(PV)和电动汽车(EV)充电的集成给电力消耗模式带来了显著的不确定性，尤其是在配电层面。本文提出了一项对比研究，旨在为住宅、工业和办公建筑在DER渗透率增加情况下的净负荷曲线选择不确定性量化(UQ)的指标。评估了各种统计指标在量化不确定性方面的有效性，包括但不限于标准差、熵、斜坡和距离度量。所提出的指标被分为无基线、有基线和基于误差的指标。这些UQ指标针对EV和PV渗透率的增加进行了评估。结果突出了适用于量化每种消费者类型不确定性的合适指标，并展示了净负荷不确定性如何受到EV和PV采用的影响。此外，观察到由于白天的时间对齐，EV充电和PV发电的补偿效应，联合考虑EV和PV可以降低整体不确定性。在所有数据集中都观察到不确定性降低，并且在办公楼数据集中最为明显。

🔬 方法详解

问题定义：论文旨在解决高比例分布式能源（DER），特别是电动汽车（EV）和光伏（PV）接入电网后，住宅、工业和办公建筑的净负荷预测中不确定性量化的问题。现有方法难以准确评估这种不确定性，导致电网调度和规划面临挑战。

核心思路：论文的核心思路是比较多种统计指标在量化净负荷不确定性方面的有效性，并针对不同类型的建筑选择最合适的指标。通过评估标准差、熵、斜坡和距离度量等指标，并将其分为无基线、有基线和基于误差的类别，从而全面评估不确定性。

技术框架：该研究的技术框架主要包括以下几个阶段：1. 数据收集：收集住宅、工业和办公建筑的电力负荷数据，以及电动汽车充电和光伏发电的数据。2. 指标计算：计算各种统计指标，用于量化净负荷的不确定性。3. 指标评估：评估不同指标在量化不同类型建筑不确定性方面的有效性。4. 结果分析：分析电动汽车和光伏发电对净负荷不确定性的影响，并确定最佳的指标组合。

关键创新：论文的关键创新在于针对不同类型的建筑，提出了不同的不确定性量化指标选择方案。此外，论文还观察到电动汽车充电和光伏发电之间存在补偿效应，联合考虑两者可以降低整体不确定性。

关键设计：论文的关键设计包括：1. 指标选择：选择了标准差、熵、斜坡和距离度量等多种统计指标，以全面评估不确定性。2. 指标分类：将指标分为无基线、有基线和基于误差的类别，以便更好地理解不同指标的特性。3. 数据集选择：使用了住宅、工业和办公建筑的真实数据，以确保研究结果的实际意义。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，针对不同类型的建筑，需要选择不同的不确定性量化指标。例如，对于办公楼宇，联合考虑电动汽车和光伏发电可以显著降低整体不确定性。研究还发现，电动汽车充电和光伏发电之间存在补偿效应，这为降低负荷不确定性提供了新的思路。

🎯 应用场景

该研究成果可应用于智能电网的规划和运行，帮助电网运营商更好地预测和管理高比例分布式能源接入带来的不确定性。通过准确量化负荷不确定性，可以优化电网调度，提高电网的稳定性和可靠性，并促进可再生能源的利用。

📄 摘要（原文）

The integration of photovoltaic (PV) generation and electric vehicle (EV) charging introduces significant uncertainty in electricity consumption patterns, particularly at the distribution level. This paper presents a comparative study for selecting metrics for uncertainty quantification (UQ) for net load profiles of residential, industrial, and office buildings under increased DER penetration. A variety of statistical metrics is evaluated for their usefulness in quantifying uncertainty, including, but not limited to, standard deviation, entropy, ramps, and distance metrics. The proposed metrics are classified into baseline-free, with baseline and error-based. These UQ metrics are evaluated for increased penetration of EV and PV. The results highlight suitable metrics to quantify uncertainty per consumer type and demonstrate how net load uncertainty is affected by EV and PV adoption. Additionally, it is observed that joint consideration of EV and PV can reduce overall uncertainty due to compensatory effects of EV charging and PV generation due to temporal alignment during the day. Uncertainty reduction is observed across all datasets and is most pronounced for the office building dataset.