Page 124 - 《中国电力》2026年第5期

2026 年 第 59 卷

多专家协同建模机制，引入双向长短期记忆网络 形成预测闭环，整体框架如图 1 所示。

（ bi-directional long short-term memory， BiLSTM） 2.2 专家模型构建

（时序专家）捕捉负荷周期性特征，极端梯度提 2.2.1 时序专家
升 树 （ eXtreme Gradient Boosting， XGBoost） 建 模 BiLSTM 是一种基于循环神经网络（recurrent
气 象 因 子 、 日 期 因 子 与 负 荷 的 非 线 性 关 联 ， neural network，RNN）的改进架构，通过同时部
GAN（异常专家）检测负荷异常，实现多维度信 署正向和反向两层 LSTM 网络捕捉时间序列数据
息的解耦与协同；设计基于滑动窗口误差反馈并 中双向的依赖关系。其核心优势在于通过双向信
结合贝叶斯推理量化权重不确定性的动态权重机 息融合增强对序列上下文的建模能力，尤其适用
制，以实时适应负荷模式变化；将 GAN 输出的异 于时序预测任务中对长期依赖和短期波动的综合
常得分直接嵌入权重计算流程，实现异常检测与 分析。
预测模型的深度耦合，提升非平稳场景下的预测 每个 LSTM 单元通过遗忘门、输入门和输出
鲁棒性；引入在线更新机制，基于最新采样数据 门实现信息的选择性记忆与更新。
对模型参数进行分周期增量式优化（BiLSTM 每 1）遗忘门为
日 微 调 、 XGBoost 每 周 增 量 训 练 、 GAN 每 月 重 f t = σ(W f [h t−1 , x t ]+ b f ) （1）
训），持续提升模型对非平稳负荷波动的动态响
式中：f 为 t t 时刻遗忘门输出；W 为遗忘门的权
f
应能力。通过上述设计，DW-MoE 有望为超短期
重矩阵；h t– 1 为 t–1 时刻隐藏状态；x 为 t t 时刻输
电力负荷预测提供更优解决方案。 入；b 为偏置向量；σ 为激活函数。
f

2）输入门为
2 动态权重混合专家模型设计
i t = σ(W i [h t−1 , x t ]+ b i ) （2）

2.1 整体框架设计 ˜ c t = tanh(W c [h t−1 , x t ]+ b c ) （3）

DW-MoE 模型面向新能源基地“源-荷-储”协 式中：i 为 t t 时刻输入门输出； ˜ c t 为 t 时刻候选细
c
同调度需求，聚焦未来 4 h 超短期负荷预测（适 胞状态；W 、W 分别为输入门和候选细胞状态的
i
c
配电网实时调度时间窗口），构建贴合电力系统 权重矩阵；b 、b 分别为输入门和候选细胞状态
i
运行特性的建模框架。其核心架构采用 5 层模块 的偏置向量。
化设计。其中，数据输入层整合历史负荷序列、 3）输出门为
多维气象特征（温度/湿度/风速等）、时间属性 o t = σ(W o [h t−1 , x t ]+ b o ) （4）
（小时/星期/季节等）及 GAN 输出的异常得分，
c t = f t ⊙c t−1 +i t ⊙ ˜c t （5）
筛 选 关 键 特 征 并 标 准 化 处 理 ； 专 家 建 模 层 中 ，
BiLSTM 通 过 双 向 网 络 捕 捉 负 荷 时 序 周 期 性 ， h t = o t ⊙tanh(c t ) （6）
o
XGBoost 利用梯度提升树建模气象及日期-负荷非 式中：o 为 t t 时刻输出门输出；W 为输出门的权
线性关联，GAN 通过对抗学习生成正常负荷分布 重矩阵；c 为 t t 时刻细胞状态；h 为 t t 时刻隐藏状
o
并输出异常得分；动态权重层基于滑动窗口统计 态；⊙为逐元素相乘运算；b 为输出门的偏置向量。
专家误差，通过指数 Softmax 生成初始权重，当 正向 LSTM 从序列起点向终点处理数据，生
GAN 得分异常时触发权重修正，基于此形成融合 成前向隐藏状态 − → ；反向 LSTM 从终点向起点处
h t
策略并引入贝叶斯校准抑制权重震荡；在线更新 理数据，生成后向隐藏状态 ←− 。最终输出为两者
h t
{−→ ←− }
层实施分周期增量学习，BiLSTM 每日微调输出 的拼接 h BiLSTM = h t , h t 。
t
层，XGBoost 每周增量训练树模型，GAN 每月基 作为时序专家，BiLSTM 通过学习历史负荷
于近 6 个月数据重训；预测层根据动态权重融合 数据的周期性、趋势性等时序特征，生成基于时
多专家输出，最终输出为未来 4 h 内按 15 min 间 间依赖关系的预测结果。其双向建模能力能够有
隔采样的负荷时序序列（共 16 个预测值），一次 效捕捉负荷序列中的长期依赖（如季节变化）和
预测的最大提前时间为 4 h，最终通过测试集验证 短期波动（如日内负荷突变），为最终预测提供

120