Page 129 - 《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

结果如表 2 所示。 专家的增量训练，通过添加新树优化气象及日期
结果显示，剔除压强、湿度、降雨量以及风 因素-负荷非线性映射；次周数据用于评估模型对
速 后 ， 模 型 的 RMSE 降 低 0.43 MW、 MAE 降 低 周周期负荷模式（如工业负荷周循环特性）的跟
0.35 MW、 平 均 绝 对 百 分 比 误 差 （ mean absolute 踪能力。
percentage error，MAPE）降低 0.03%，且训练时间 3）每月更新验证子集。按月划分为 3 个月度
缩短 12.6 min，表明低影响特征的剔除不仅未损 子集（每月 2 944 条数据），实施 GAN 的增量训
失预测精度，反而因减少冗余信息提升了模型效 练验证：当月数据用于 GAN 的增量训练，通过更
率，验证了筛选标准的合理性。 新正常负荷分布模型提升异常检测能力；次月数
据用于验证模型对月度负荷模式（如季节更替、
表 1 负荷预测多维特征体系
节假日负荷波动）的适应能力，评估异常检测与
Table 1 Multidimensional feature system of
load forecasting 预测模型的动态耦合效果。

3.2.4 异常场景标注
类型 具体特征 维度
为量化模型在异常场景下的性能，基于历史
时序特征 前 24 h负荷值（15 min间隔，共 96 点） 96
负荷波动特性及不同负荷类型的固有特征，采用
气象特征 温度、水汽压、风速、光照强度 3
时间与日 小时（0~23）、星期几（1~7）、季节（1~4）、 分类型动态阈值策略标注异常场景。电力负荷按
5
历特征 节假日（0/1）、工作日（0/1）、 用户类型可划分为工业负荷、居民负荷及商业负
GAN 判别器输出的异常得分（0~1，值越高表示
异常特征 1 荷，不同类型负荷的波动规律存在显著差异。因
异常程度越高）
此，异常阈值须结合负荷类型特性差异化设定，
表 2 特征筛选前后模型性能对比 具体如下。
Table 2 Comparison of model performance before and
1）绝对异常。针对不同负荷类型的波动性差
after feature filtering
异，采用不同的均值-标准差判定规则。工业负荷
RMSE/ MAE/ MAPE/ 模型训练
特征集 因设备运行特性波动性较大，将偏离历史同期均
MW MW % 时间/min
完整特征集 33.15 24.08 2.31 45.2 值±3.5 倍标准差的场景标注为绝对异常；居民负
筛选后特征集 32.72 23.73 2.28 32.6 荷波动较平缓，阈值设为±2.5 倍标准差；商业负
荷 阈 值 取 ±3.0 倍 标 准 差 。 该 划 分 依 据 参 考 了 文
3.2.3 数据集划分策略 献 [23] 中工业负荷波动特征研究及区域历史负荷
基于时间序列数据的时序特性，采用以下划
统计数据（2018 年—2022 年），其中工业负荷标
分策略：训练集为 2023 年 1 月 1 日至 9 月 30 日数 准差均值为居民负荷的 1.8 倍，商业负荷为居民
据，共计 26 208 条（占全年数据的 74.8%）；测试 负荷的 1.3 倍。
集为 2023 年 10 月 1 日至 12 月 31 日数据，共计 8 832 2）相对异常。基于不同类型负荷的突变敏感
条（占全年数据的 25.2%）。为验证模型的在线 度设定变化率阈值。工业负荷因大型设备启停易
增量学习能力，将测试集按时间维度进行多层级 产生剧烈突变，将 15 min 内负荷变化率超过 25%
细分，具体如下所示。 的场景标注为相对异常；居民负荷突变多与气象
1）每日更新验证子集。按自然日划分为 31 骤变相关，变化率阈值设为 15%/15 min；商业负
个单日子集（每日 96 条数据），构建滚动验证场 荷因客流变化的渐进性，阈值取 20%/15 min。上

景：前一日数据用于 BiLSTM 时序专家的输出层 述阈值通过分析 2020 年—2022 年区域内已知异
增量微调，保留隐藏层参数以避免灾难性遗忘； 常事件（如设备故障、极端天气）的负荷变化曲
后一日数据用于验证微调后的预测精度，评估模 线确定。
型对日内负荷波动的动态适应能力。 测试集中共标注异常场景 1 766 条（占 20%），
2）每周更新验证子集。按周划分为 12 个周 涵 盖 设 备 故 障 、 极 端 天 气 等 实 际 电 网 运 行 中 的
度子集（每周 736 条数据），实施 XGBoost 的增 异 常 情 况 ， 用 于 评 估 模 型 在 非 平 稳 条 件 下 的 鲁
量训练验证：当周数据用于 XGBoost 非线性关联 棒性。

125