Page 127 - 《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

通过 BiLSTM、XGBoost、GAN 的输出融合后 时序建模能力的同时，快速适应近期负荷模式变
ˆ y
得到最终的超短期电力负荷预测值 为 化。设输出层参数为 θ out ，隐藏层参数为 θ hid ，基

ω 1 P 1 +ω 2 P 2 , S ＜β 于最新 N 个样本的均方根误差（root mean squared

ˆ y =  （19）
ω P 1 +ω P 2 +ω 3 P 3 , S ≥β
 ′ ′ error，RMSE）损失函数更新输出层，即
1 2
式中：P 、P 、P 分别为 BiLSTM、XGBoost、GAN 1 N day 2
3
∑
2
1
θ out ← θ out −η∇θ out (y i − f BiLSTM (x i ;θ hid ,θ out ))
异常专家的输出。 N day
i=1

2.3.3 贝叶斯不确定性校准 （23）
i
为避免噪声数据导致权重剧烈波动，引入贝 式 中 ： f BiLSTM (⋅) 为 BiLSTM 模 型 映 射 函 数 ； x 为
叶斯线性回归对权重进行后验校准。通过建模误 第 i 个历史负荷序列样本； θ out 为 BiLSTM 输出层
差的概率分布，计算权重的置信区间，从而调整 可训练参数； θ hid 为 BiLSTM 隐藏层冻结参数；N day
权重更新的步长，提高融合策略的稳定性。 为微调样本数； ∇θ out 为损失函数对输出层参数的
设 预 测 误 差 服 从 正 态 分 布 E Bayesian ∼ N(µ,σ )， 梯度。
2
根 据 贝 叶 斯 定 理 计 算 权 重 ω 的 后 验 分 布 P(ω| RMSE 具体表示为
v
u
E Bayesian )为 t
1 I ∑ 2
E RMSE = (ˆy i −y i ) （24）
P(ω|E Bayesian ) ∝ P(E Bayesian |ω)P(ω) （20） I
i=1
式中：P(E ω | ) 为似然函数，由历史误差统计
Bayesian XGBoost 非线性关联专家每周基于新一周数
数据估计得到；P(ω) 为先验概率分布，本文为均 据 （ 168 h） 进 行 增 量 训 练 ， 保 留 原 有 树 结 构 先
匀分布。 验，通过梯度提升添加新树，优化气象及日期因
2
后验分布的方差 σ 用于调整权重更新学习率 子与负荷的非线性关联。该策略利用历史树模型
ω
η的步长，即 的特征分裂模式，加速新数据的拟合效率。采用
2
η = η 0 exp(−λ B σ ) （21） 前向分步训练，第 m 棵树的预测值 f m (x)为
ω
式中： η 0 为基础学习率；λ 为调整系数。 f m (x) = F m−1 (x)+γ h m (x) （25）
B
l

2.4 在线学习与模型更新
式中：F (x) 为前 m–1 棵树的累加预测值；h (x)
m–1 m
2.4.1 误差缓存与动态更新机制 为新生成的回归树；γ 为学习率。
l
为实现动态权重的实时校准，设计滑动窗口 通过最小化平均绝对误差（mean absolute error，
机制缓存近期预测误差，通过增量更新维持窗口 MAE）求解最优新树 h (x)，即
∗
m
内数据的时效性。该机制采用先进先出（FIFO）
M week
∑
∗
策略管理误差样本，确保动态权重计算始终基于 h (x) = arg minh m (x) y i −(F m−1 (x i )+γ h m (x i ))
m
l
i=1
最新的模型表现。 （26）
定义滑动窗口存储最新 Z ，每次预测后按以
1 I ∑
下规则更新，即 E MAE = |ˆy i −y i | （27）
I
 i=1
Z ∪{E t }−{E t−W }, |Z|≥W
 （22）
Z ←  k 为周数据样本数。
Z ∪{E t }, |Z|＜W
 式中：M wee
GAN 异 常 专 家 采 用 最 近 6 个 月 数 据 滚 动 训
式中： Z为滑动误差窗口；E 为第 t 时刻的绝对预
t
练，每月基于最新积累的历史数据更新模型，确
测误差。

保异常检测适配近期负荷模式，具体步骤如下。
2.4.2 分专家增量微调策略
1）每月初选取最近 6 个月的负荷数据作为训
BiLSTM 时序专家采用增量学习策略，每日
练集 D t ，记为
凌晨利用最新 24 h 数据微调输出层参数，冻结隐 GAN
t （28）
藏层以保留历史时序特征表示，避免“灾难性遗 D GAN = {x t−5 , x t−4 ,··· , x t−1 , x t }
忘”。该策略通过聚焦输出层优化，在维持模型 式中：x 为第 t 个月的负荷序列。
t
123