本文档属于类型a，即报告了一项原创性研究。以下是针对该研究的学术报告：
该研究由David Obst、Joseph de Vilmarest和Yannig Goude共同完成。David Obst来自法国电力公司（EDF R&D）和法国艾克斯-马赛大学（Aix-Marseille Université）；Joseph de Vilmarest来自法国电力公司和巴黎索邦大学（Sorbonne Université）；Yannig Goude来自法国电力公司和巴黎萨克雷大学（Université Paris-Saclay）。该研究于2021年9月发表在《IEEE Transactions on Power Systems》期刊上。
该研究的主要科学领域是电力负荷预测（load forecasting），特别是在COVID-19封锁期间。由于COVID-19疫情导致全球范围内的封锁政策，电力消费模式发生了显著变化。传统的负荷预测模型依赖于历史数据和日历或气象信息，无法捕捉到封锁期间的变化，导致预测性能下降。因此，本研究旨在提出两种自适应方法，以改进广义加性模型（Generalized Additive Models, GAM）在封锁期间的预测能力。研究的目标是通过卡尔曼滤波（Kalman Filter）和微调（fine-tuning）技术，快速适应新的电力消费模式，而不需要依赖外部信息。
研究流程主要包括以下几个步骤：
模型适应方法的提出
研究提出了两种自适应方法：卡尔曼滤波和微调技术。卡尔曼滤波用于在线更新模型参数，以快速适应数据变化；微调技术则通过迁移学习（transfer learning）将模型从封锁前的数据调整到封锁期间的数据。这两种方法都旨在不引入额外特征的情况下，快速适应消费模式的变化。
数据准备与模型训练
研究使用了法国电力系统运营商（RTE）提供的2012年1月1日至2020年6月7日的电力负荷数据，以及法国气象局（Météo-France）提供的全国平均温度数据。模型在2012年至2019年8月的历史数据上进行训练，并在封锁期间（2020年3月16日至6月7日）进行测试。
广义加性模型（GAM）的构建
GAM模型被用于预测电力负荷。模型将负荷分解为多个非线性效应，包括时间、温度、滞后负荷等。每个非线性效应通过样条基（spline basis）进行建模，并使用惩罚最小二乘法估计模型参数。
卡尔曼滤波的应用
卡尔曼滤波用于在线更新GAM模型的参数。研究还提出了在封锁开始时引入断点状态噪声协方差矩阵（break state noise covariance matrix），以加速模型对数据变化的适应。
微调技术的应用
微调技术通过迁移学习将意大利的封锁数据应用于法国模型。意大利的封锁比法国早一周，因此可以通过意大利的数据来调整法国的模型参数，从而在封锁初期提高预测性能。
专家聚合（Expert Aggregation）
研究还提出了将多个预测模型（专家）的预测结果进行聚合，以进一步提高预测精度。通过在线聚合算法（如ML-Poly算法），模型可以根据每个专家的表现动态调整权重。
模型适应效果
卡尔曼滤波和微调技术显著改善了封锁期间的负荷预测性能。特别是在封锁初期，卡尔曼滤波的动态断点设置和微调技术能够快速适应消费模式的变化，显著降低了预测误差。
专家聚合的效果
专家聚合算法进一步提高了预测精度。特别是在封锁初期，专家聚合能够有效利用各个模型的优势，显著降低了预测误差。例如，将“周六模型”（假设每天都是周六）纳入聚合，能够有效补偿其他模型在封锁初期的过高预测。
统计显著性
通过Diebold-Mariano测试和Wilcoxon测试，研究验证了自适应方法在封锁期间的预测性能显著优于传统模型。
该研究提出了两种自适应方法，显著改善了COVID-19封锁期间的电力负荷预测性能。卡尔曼滤波和微调技术能够快速适应消费模式的变化，而不需要依赖外部信息。专家聚合算法进一步提高了预测精度。这些方法不仅具有科学价值，还为电力系统运营商在特殊时期的负荷预测提供了实用工具。
新颖的自适应方法
研究提出了基于卡尔曼滤波和微调技术的自适应方法，能够在不引入额外特征的情况下快速适应消费模式的变化。
专家聚合的应用
研究首次将专家聚合算法应用于封锁期间的负荷预测，显著提高了预测精度。
迁移学习的创新应用
通过意大利的封锁数据调整法国模型，研究展示了迁移学习在负荷预测中的潜力。
研究还探讨了封锁期间电力消费模式的变化，特别是负荷曲线与周六模式的相似性。这一发现为封锁期间的负荷预测提供了新的视角。此外，研究还提出了未来可能的研究方向，如引入移动数据、宏观经济指标等外部信息，以进一步提高预测性能。
该研究为COVID-19封锁期间的电力负荷预测提供了有效的解决方案，具有重要的科学和应用价值。