Page 130 - 《中国电力》2026年第5期
P. 130

2026  年 第 59 卷



              3.2.5    数据划分的实验一致性                               评价指标     RMSE、MAE     和  MAPE  均为最低，这一
                  为 确 保 不 同 实 验 模 块 结 果 可 比 ， 所 有 实 验           结果验证了本文所提模型对于超短期负荷预测的
              （基础模型对比、组合模型验证、消融实验、参                             有效性和优越性。
              数敏感性分析）均遵循以下数据使用原则。                                   2）本文所提模型         DW-MoE  相比于梯度提升框
                  1） 训 练 数 据 一 致 性 。 所 有 模 型 均 使 用      2023    架代表模型     LightGBM，RMSE    降低   24.61 MW、MAE
              年  1~9  月数据进行初始训练。                                降低   24.82 MW、MAPE    降低  2.70%，证明了多模态
                  2）测试数据一致性。统一采用                2023  年  10~12  协同建模能力，避免了单一                LightGBM  模型在处
              月数据作为独立测试集。                                       理长时序依赖时的信息丢失问题。对比                   GRU、GNN
                  3）在线更新模拟一致性。按日/周/月划分的                         等循环神经网络及         Transformer 类模型（Autoformer、
              测试子集在各实验中保持定义一致。                                  FEDformer、iTransformer），RMSE    降低   26.40 MW、
                  4）异常场景覆盖一致性。各实验均包含相同                          26.50 MW、23.40 MW、22.62 MW、20.69 MW，MAE
              的异常场景标注数据集。                                       降低   26.54 MW、26.59 MW、24.39 MW、23.48 MW、

              3.3    评价指标                                       21.47 MW，MAPE   降 低 2.80%、2.81%、2.64%、2.55%、
                  本文中实验的评价标准使用的是                RMSE、MAE        2.41%， 验 证 了   DW-MoE  在 双 向 时 序 建 模 精 度 与
              和  MAPE，三者皆常被用来衡量数据离散程度以                          异常鲁棒性上的综合优势。对比                 MDLinear 和  MD-

              及真实值和观察值间的误差，MAPE                 评价指标为           Linear+GRU， RMSE   降 低   28.08  MW、 25.91  MW，
                                    (    )                    MAE  降 低   27.57  MW、 25.49  MW， MAPE     降 低
                               1  I ∑
                        E MAP =      ˆy i −y i   ×100%  （32）  2.83%、 2.75%， 说 明 了           通 过  XGBoost 的

                               I      y i                                            DW-MoE
                                 i=1
                                                                树结构分裂策略，可自动挖掘多特征间的非线性

              3.4    实验结果分析
                                                                关系，结合动态权重实现场景自适应融合。对比

              3.4.1    基础模型对比
                                                                MoE  模型（无动态权重），DW-MoE              通过滑动窗
                  在 本 小 节 中 ， 为 全 面 验 证 所 提 模 型 的 优 越           口误差反馈和贝叶斯校准，使              RMSE  降低   2.97 MW、
              性，将其与来自不同类别（包括梯度提升框架、
                                                                MAE  降低   2.01 MW、MAPE    降低  0.18%，证明动态
              线性回归模型、混合模型及主流深度学习方法）
                                                                权重对非平稳负荷场景的适应性。
              的多种先进基线模型展开对比实验。具体比较结
                                                                    为了更直观地展示本文提出方法的准确性，
              果如表    3  所示。本节将系统阐述各方法在电力负
                                                                在预测结果中，选取            2023  年  10  月  3  日—2023  年
              荷预测任务中的性能表现。
                                                                10  月  5  日的结果进行可视化对比，如图             3  所示。
                  根据表    3  的结果，可以得到以下结论。

                                                                  1 100                               真实值；
                  1）在上述     10  种不同的模型中，本文模型的                                                         Light+GBM；
                                                                  1 000                               GNN；
                                                                                                      GRU；
                                                                                                      MDLinear；
                                                                                                      MDLinear+GRU；
                             表 3   基础模型对比                          900                                Autoformer；
                      Table 3   Comparison of basic models        电负荷/MW  800                         FEDformer；
                                                                                                      iTransformer；
                                                                                                      MoE；
                    模型        RMSE/MW     MAE/MW    MAPE/%         700                                DW-MoE
                  LightGBM      57.33      48.55      4.98         600
                    GNN         59.22      50.32      5.09         10月3日0点 10月3日12点 10月4日0点 10月4日12点 10月5日0点 10月5日12点 10月6日0点
                    GRU         59.12      50.27      5.08
                                                                                    时间
                  MDLinear      60.80      51.30      5.11
                                                                 图 3   2023  年  10  月  3  日—2023  年  10  月  5  日预测结果对比
                MDLinear+GRU    58.63      49.22      5.03
                                                                 Fig. 3    Comparison of prediction results from October 3,
                  Autoformer    56.12      48.12      4.92                    2023 to October 5, 2023

                  FEDformer     55.34      47.21      4.83
                                                                    图  3  直观呈现了     2023  年  10  月  3  日至  5  日期间
                 iTransformer   53.41      45.20      4.69
                                                                各模型的超短期负荷预测结果，可见                    DW-MoE  模
                    MoE         35.69      25.74      2.46
                                                                型 预 测 曲 线 与 真 实 值 贴 合 度 最 高 ， 尤 其 在       10  月
                  DW-MoE        32.72      23.73      2.28
                                                                4  日负荷突变时段（如          00:00—06:00  的快速上升
              126
   125   126   127   128   129   130   131   132   133   134   135