Page 126 - 《中国电力》2026年第5期

2026 年 第 59 卷

气象特征和日期特征与负荷的映射关系，生成基 该得分反映数据偏离正常模式的程度，用于动态
于气象条件和日期特征的预测结果，并通过正则 调 整 其 他 专 家 的 权 重 ， 使 模 型 对 异 常 值 更 加 敏
化和剪枝机制避免过拟合，为预测提供专业判断。 感，提升预测的鲁棒性。

2.2.3 异常专家 2.3 动态权重计算与融合策略

GAN 由生成器 G 和判别器 D 组成，通过对抗 2.3.1 滑动窗口误差统计与初始权重
训练学习数据分布。生成器将随机噪声 z 映射为 通过滑动窗口实时监控各专家的预测误差，
模拟数据 G(z)，判别器则区分真实数据 x 和生成 利用指数衰减机制对误差进行加权，使误差较小
数据 G(z)。在异常检测中，GAN 通过建模正常数 的专家在融合中获得更高权重。该策略能够快速
据分布，将偏离该分布的数据视为异常。 响应专家表现的变化，自适应调整融合权重。

生成器采用 3 层全连接网络结构，其中输入 定义滑动窗口长度 W，实时记录各专家在窗
层维度为 100（随机噪声向量），隐藏层 1 维度 口内的预测误差。时序专家误差 E 和非线性关联
1
为 256，隐藏层 2 维度为 512，输出层维度与输入 专家误差 E 分别为
2
负荷序列长度一致（96 维，对应 24 h 15 min 间隔 1 W ∑
E 1 = |y t − P 1t | （12）
数据）。各层激活函数依次为 ReLU、ReLU、Tanh， W
t=1
其中输出层激活函数 Tanh 用于将生成数据映射至
1 W ∑
与真实负荷一致的数值范围。 E 2 = |y t − P 2t | （13）
W
判别器采用 2 层全连接网络结构，其中输入 t=1
层 维 度 为 96（ 负 荷 序 列 ） ， 隐 藏 层 维 度 为 256， 式中：y 为第 t 时间步真实负荷值；P 、P 分别
t
t
2
1t
输出层维度为 1（判别概率）。激活函数依次为 为 BiLSTM 与 XGBoost 在第 t 时间步的预测值。
LeakyReLU、Sigmoid，其中激活函数 LeakyReLU 用 基于误差统计，采用指数误差加权的 Softmax
于缓解梯度消失问题。 函数计算初始权重，即
生成器试图最小化该目标以欺骗判别器，判 exp(−E 1 )
ω 1 = （14）
别器则最大化目标以准确区分真假数据，GAN 的 exp(−E 1 )+exp(−E 2 )
训练目标为极小极大博弈，即 ω 2 = 1−ω 1 （15）
minmaxV(D,G) =E x∼p data (x) [logD(x)]+ 式中： ω 1 、 ω 2 分别为 BiLSTM 和 XGBoost 的初始
G D
E z∼p z (z) [log(1− D(G(z)))] （11） 融合权重。

式中：V(D,G) 为对抗损失；D(x) 为判别器对真实 2.3.2 权重修正机制及融合策略
数据 x 的输出； D(G(z))为判别器对生成数据 G(z) 当 GAN 异常专家检测到输入数据存在异常

的输出；p data (x) 为真实数据 x 的概率分布；x~p data (x) （如负荷突变）时，动态降低常规专家（BiLSTM
为真实数据中的采样；z~p (z) 为从噪声分布 p 中 和 XGBoost）的权重，增加异常专家的贡献度。
z
采样的随机噪声向量。 该机制通过引入异常修正系数，确保模型在异常

GAN 训练超参数设置如下：采用 Adam 优化 场景下仍能保持鲁棒性。
器，生成器与判别器学习率均为 0.000 2，Adam 核 当 GAN 输出的异常得分 S 大于得分阈值 β 时，
心参数 β 为 1 0.5，批量大小（batch size）为 64，训 表明当前输入存在异常，引入修正系数 α调整权
练轮数（epochs）为 100。在异常检测场景中，仅 重，即
′
使用正常数据训练 GAN。生成器学习正常数据的 ω = ω 1 (1−α) （16）
1
分布 p data (x)，判别器对输入数据 x 输出异常得分 S =
′
ω = ω 2 (1−α) （17）
2
1–D(x)， 得 分 越 高 ， 表 明 数 据 越 偏 离 正 常 分 布 ，
即异常程度越高。 ω 3 = α （18）
作为异常专家，GAN 通过学习正常负荷数据 式中： ω 、 ω 分别为修正后的 BiLSTM、XGBoost
′
′
2
1
的分布模式，实时计算当前数据点的异常得分。 权重； ω 3 为 GAN 的权重。
122