Page 125 - 《中国电力》2026年第5期

周专等：基于动态权重混合专家模型的超短期电力负荷预测 2026 年第 5 期

开始 结束

负荷数据超短期预测
原始数据集 预
测
层
将测试集输入DW-MoE模型
数
据 特征选择 测试集
输
入 分专家增量微调策略 在
层 线
学
数据预处理 习
误差缓存与动态更新机制 层

处理后数据
贝叶斯不确定性校准
动
态
异常情况下权重修正机制及融合策略 权
数据集划分 重
层
滑动窗口误差统计及初始权重设置

训练集
初步 初步 初步
预测 预测 预测 专
值1 值2 值3 家
建
验证集 模
时序专家 非线性专家 异常专家 层
BiLSTM XGBoost GAN

图 1 整体预测框架
Fig. 1 Overall prediction framework

时序维度的基础支撑。 Ω(f ) 为第 k 棵树的复杂度正则化项；K 为决策树
k

2.2.2 非线性关联专家 的数量；γ 为叶子节点数量惩罚系数；T 为叶子节
XGBoost 是一种基于梯度提升框架的集成学 点数量；λ 为 L2 正则化系数； ω j 为第 j 个叶子节
习算法，通过迭代训练多个决策树并累加其预测 点的权重。
结果，实现对复杂非线性关系的建模。其核心特 模型采用前向分步训练，每次迭代添加一棵
点是引入正则化项控制模型复杂度，并利用二阶 新树 g 来拟合当前残差，即
泰勒展开优化目标函数，显著提升了训练效率和 (t) (t−1)
ˆ y = ˆy +g(x i ) （9）
i i
泛化能力。
式中：t 为迭代次数； x i 为第 i 个训练样本的输入
XGBoost 的目标函数由损失函数和正则化项
特征。
组成，即
在 决 策 树 构 建 过 程 中 ， 通 过 计 算 分 裂 增 益
I ∑ K ∑
O(θ) = l(y i , ˆy i )+ Ω(f k ) （7） G ai n 选择最优分裂点，即
i=1 k=1  2 2 
1  G L G R (G L +G R ) 

2 
G ain =    + −  −γ （10）



1 T ∑ 2 2 H L +λ H R +λ H L + H R +λ 
Ω( f k ) = γT + λ ω T （8）
j
2
j=1 式中： G 、H 和 L G 、H 分别为左右子树的一
R
R
L
式中：O(θ) 为目标函数； l(y i , ˆy i )为第 i 个样本的损 阶和二阶导数累加值。
失函数，y 为第 i 个样本的真实值， ˆ y i为第 i 个样 作为非线性关联专家，XGBoost 聚焦于挖掘
i
本的预测值；I 为样本数量；f 为第 k 棵决策树； 负荷与气象及日期之间的非线性关联。通过学习
k
121