Page 131 - 《中国电力》2026年第5期
P. 131

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



              段）误差显著小于          LightGBM、GRU    等对比模型，          合相比，RMSE      降低   1.15 MW、MAE   降低   0.39 MW、
              直观验证了其在时序动态捕捉与异常场景下的鲁棒                            MAPE  降低   0.03%。XGBoost 通过二阶泰勒展开优
              性，与表     3  中  RMSE、MAE   等量化指标优势一致。              化目标函数、引入正则化项控制模型复杂度的技

              3.4.2    不同组合模型对比                                 术 特 性 ， 使 其 在 挖 掘 气 象 因 子 （ 温 度 、 水 汽 压
                  本 小 节 通 过 构 建 不 同 的 专 家 模 型 组 合 验 证           等）与日期属性（节假日、季节）对负荷的非线
              BiLSTM、XGBoost 和    GAN  作为  DW-MoE 专家模型          性影响时，能够更高效地处理特征交互与避免过
              的优势。研究设计         6  组典型模型组合进行对比实验，                拟合，较     CatBoost 的对称树结构和        LightGBM  的单
              各组模型基于负荷预测领域的应用广泛性和技术                             边梯度采样策略，在多特征耦合场景下展现出更
              代表性选取，具体组合如下。组合一为                      BiGRU+     优的建模精度。
              XGBoost+GAN，组合二为         SALSTM（Self-Attention        3）异常专家替换。GAN           相比于    VAE  和  GMM
               LSTM） +XGBoost+GAN， 组 合 三 为      BiLSTM+Cat-     表 现 更 优 ， 与   BiLSTM+XGBoost+VAE    组 合 相 比 ，
              Boost+GAN， 组 合 四 为     BiLSTM+LightGBM+GAN，       RMSE  降 低  5.49 MW、 MAE   降 低  3.72 MW、 MAPE
              组合五为     BiLSTM+XGBoost+VAE（Variational Auto-     降低   0.61%；与  BiLSTM+XGBoost+GMM     组合相比，
              encoder），组合六为      BiLSTM+XGBoost+ GMM（Ga-        RMSE  降 低  7.84 MW、 MAE   降 低  5.65 MW、 MAPE
              ussian Mixture Model）。对比结果如表       4  所示。         降低   0.84%。这验证了       GAN  通过生成对抗网络学
                                                                习正常负荷分布的优势，其通过判别器与生成器
                            表 4   不同组合模型对比
                                                                的动态博弈，能够更精准地量化负荷数据的异常
                Table 4   Comparison of different combination models
                                                                程度，相较于        VAE  的变分推断和       GMM   的概率密
                 组合       RMSE/MW      MAE/MW      MAPE/%
                                                                度拟合，在捕捉设备故障、极端天气等非典型负
                  一         36.84       26.57        2.63
                                                                荷突变场景时具有更强的鲁棒性，为动态权重修
                  二         35.92       25.89        2.51
                                                                正提供了更可靠的异常检测依据。
                  三         34.15       24.36        2.35
                                                                3.4.3    消融实验对比
                  四         33.87       24.12        2.31
                                                                    本小节通过消融实验验证所提                MoE  框架各核
                  五         38.21       27.45        2.89
                                                                心 组 件 的 必 要 性 与 技 术 贡 献 ， 并 阐 释       BiLSTM、
                  六         40.56       29.38        3.12
                                                                XGBoost 和  GAN  作 为 基 础 专 家 模 型 的 不 可 替 代
                 本文         32.72       23.73        2.28
                                                                性。研究采用控制变量法设计                  组消融实验，通
                                                                                             6
                  表  4  通过专家模型替换实验验证了各专家的                       过逐步移除或替换关键模块分析模型性能衰减规
              技术贡献。                                             律，具体实验设计如下。
                  1）时序专家对比。BiLSTM           较  BiGRU  和  SAL-       1）模型一为单一时序模型（BiLSTM）。仅
              STM  表现更优，与      BiGRU+XGBoost+GAN   组合相比，        采用双向长短期记忆网络捕捉负荷序列的时间依
              RMSE  降 低  4.12 MW、 MAE   降 低  2.84 MW、 MAPE      赖性，验证时序特征的基础建模能力。
              降低   0.35%；与  SALSTM+XGBoost+GAN     组合相比，            2） 模 型 二 为 单 一 非 线 性 模 型 （ XGBoost） 。
              RMSE  降 低  3.20 MW、 MAE   降 低  2.16 MW、 MAPE      单独使用     XGBoost 处理气象及日期因子与负荷的
              降低   0.23%。这表明     BiLSTM  的双向循环结构与长              非线性映射关系，评估非线性特征的建模效能。
              短期记忆单元更适合捕捉电力负荷序列的双向时                                 3）模型三为       BiLSTM+XGBoost 静态融合模型
              序 依 赖 特 性 ， 相 较 于    BiGRU  的 单 向 门 控 结 构 和       （ 固 定 权 重 ） 。 采 用 固 定 权 重 融 合        BiLSTM  与
              SALSTM  的自注意力机制，在处理超短期负荷预                         XGBoost 输出，验证多源特征协同建模的可行性。
              测的强时序性任务时具有更强的特征表达能力。                                 4）模型四为      BiLSTM+XGBoost+GAN 静态融合
                  2）非线性关联专家替换。XGBoost 相比             CatBoost   模型（固定权重）。该模型在 BiLSTM+XGBoost
              和  LightGBM  表现更优，与      BiLSTM+CatBoost+GAN      静 态 融 合 模 型 的 基 础 上 引 入  GAN 异 常 检 测 模
              组合相比，RMSE      降低  1.43 MW、MAE    降低  0.63 MW、    块，采用固定权重（1∶1∶1）融合时序专家、非
              MAPE  降低   0.07%；与   BiLSTM+LightGBM+GAN    组     线性专家与异常专家的输出。

                                                                                                           127
   126   127   128   129   130   131   132   133   134   135   136