Nordic Dataset

Nordic Dataset是由帝国理工学院等机构创建的一个公开数据集，用于验证和测试解释性模型在预测北欧地区惯性方面的性能。该数据集包含从2016年1月到2020年8月的数据，具有每小时分辨率，总计约43800条记录。数据集的内容包括北欧电力系统的惯性能量数据，以及相关的预测变量如日前的国家需求预测、风力和太阳能发电预测等。创建过程中，研究者考虑了数据的季节性和区域特性，并进行了详细的验证和测试。该数据集主要应用于电力系统惯性预测，旨在帮助系统运营商更准确地预测和管理电力系统的惯性，以确保电力系统的安全和可靠性。Nordic Dataset is a public dataset developed by Imperial College London and other institutions, which is used to validate and test the performance of interpretability models in predicting the inertia of the Nordic region. This dataset covers data from January 2016 to August 2020, with an hourly resolution, totaling approximately 43,800 records. The dataset includes inertial energy data of the Nordic power system, as well as relevant predictive variables such as day-ahead national demand forecasts, wind and solar power generation forecasts, etc. During the creation process, researchers considered the seasonal and regional characteristics of the data and conducted detailed validation and testing. This dataset is primarily applied to power system inertia prediction, aiming to help system operators more accurately predict and manage power system inertia to ensure the safety and reliability of power systems.

搜集汇总

数据集介绍

构建方式

在电力系统向低惯量转型的背景下，Nordic Dataset的构建旨在为惯性预测模型提供基准验证。该数据集整合了北欧地区2016年至2020年的公开运行数据，涵盖系统动能、日前国家负荷预测、风电与光伏预测以及互联潮流等多维度变量。数据以小时分辨率采集，并通过北欧输电系统运营商的公开平台进行验证，确保了信息的可靠性与时效性。构建过程中，研究团队特别考虑了时空粒度的影响，通过分区域数据聚合与时间序列对齐，增强了数据集在模型训练与评估中的适用性。

特点

Nordic Dataset的显著特点在于其全面反映了北欧电力系统的惯量特性与可再生能源渗透影响。数据集不仅捕捉了系统总惯量的逐年下降趋势，还揭示了水电惯量的独特动态，为分析惯量来源提供了细致视角。时间维度上，数据呈现出清晰的年度与日度周期性，并与工作日、周末及节假日模式紧密关联。此外，数据集包含日前预测变量与实际值的对比，使得预测误差分析成为可能，为模型优化提供了关键依据。这些特征共同支撑了该数据集在惯量预测研究中的基准价值。

使用方法

该数据集主要用于日前惯性预测模型的基准测试与性能评估。研究人员可将其应用于解释性模型与时间序列模型的对比分析，通过均方百分比误差等指标量化模型精度。使用前需按时间窗口划分训练集与测试集，例如以2017年至2018年数据训练，2020年数据测试，以验证模型泛化能力。数据集支持空间粒度分析，允许按北欧四国分区建模再聚合，以提升预测准确性。同时，用户可引入月度交互变量等特征进行模型增强，或利用实际值替代预测值以评估误差影响，从而深入探索惯量预测的关键驱动因素。

背景与挑战

背景概述

随着可再生能源在电力系统中的渗透率日益提升，电力系统惯性水平呈现下降趋势，这给频率稳定性带来了严峻挑战。在此背景下，由帝国理工学院、Centrica Business Solutions及英国国家电网ESO等机构的研究人员于2023年共同创建的Nordic Dataset，旨在为日前惯性预测提供公开的基准数据。该数据集聚焦于北欧电力系统，通过整合惯性能量、日前国家需求预测、风电与光伏预测及互联潮流等多维变量，为核心研究问题——即如何精准预测低惯性系统中的惯性水平——提供了实证基础。其公开性促进了不同预测模型间的客观比较，对推动电力系统安全运行与频率响应管理研究具有显著影响力。

当前挑战

在惯性预测领域，主要挑战在于应对高比例可再生能源接入导致的系统惯性动态波动，这要求模型能够准确捕捉时空依赖性及不确定性。Nordic Dataset构建过程中，研究人员面临多重挑战：一是数据获取的复杂性，需从北欧各国输电系统运营商收集并验证多源异构数据，确保其完整性与可靠性；二是模型泛化能力的验证，需在具有不同能源结构（如北欧以水电为主、英国以天然气和风电为主）的系统间测试解释性模型的适用性；三是特征工程优化，例如探索空间粒度细化及月度交互变量等策略以提升预测精度，同时评估日前预测误差对惯性预测的潜在影响。

常用场景

经典使用场景

在电力系统惯性预测领域，Nordic Dataset 作为公开可用的基准数据集，其经典应用场景在于评估和比较不同预测模型的性能。该数据集涵盖了北欧地区电力系统的惯性数据，结合了国家需求、风电、太阳能发电及互联潮流等多维度特征，为研究人员提供了一个标准化的测试平台。通过该数据集，学者能够验证解释性模型与时间序列模型在惯性预测中的准确性，从而推动预测方法的优化与创新。

实际应用

在实际应用中，Nordic Dataset 被电力系统运营商用于优化频率响应管理策略。基于该数据集训练的预测模型能够提前一天准确预估系统惯性水平，帮助运营商合理配置同步发电机与可再生能源资源，以应对功率不平衡带来的频率波动。例如，在北欧地区，该模型通过考虑区域空间粒度特征，将预测误差进一步降低3.6%，从而增强了电网运营的经济性与安全性，为迈向碳中和目标下的高比例可再生能源并网提供了技术支持。

衍生相关工作

围绕 Nordic Dataset，衍生了一系列经典研究工作，包括解释性模型与时间序列预测模型的对比分析。例如，Heylen 等人开发的概率性日间惯性预测模型在该数据集上验证了其泛化能力，而 González-Longatt 等人的时间序列模型则提供了短期惯性预测基准。此外，研究还探索了月度交互变量对需求预测特征的改进，以及水力发电惯性特征的引入，这些工作共同推动了惯性预测方法向更精细化、自适应方向发展，并为后续研究设立了可复现的基准框架。