Page 133 - 《中国电力》2026年第5期
P. 133

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




              过高；当     α＞0.20  时，异常专家（GAN）的权重                            表 8   不同更新周期的预测性能对比
              占比过大，导致正常模式下的预测精度下降。因                               Table 8   Comparison of prediction performances with
                                                                              different update cycles
              此，最终选择       α=0.20  作为最优修正系数。
                                                                   模型      更新    RMSE/  MAE/   MAPE/   日均计算
                  β 用于判断是否触发权重修正机制，其取值                             组件      周期     MW     MW      %     耗时/min
              须平衡正常样本识别准确率与响应速度。实验基                                        12 h  33.15  24.09   2.32    48.6
              于训练集中的正常样本统计               GAN  判别器输出      D(x)     BiLSTM   24 h  32.72  23.73   2.28    25.3
              的分布特征。为验证阈值的敏感性，在测试集上                                        48 h  34.26  25.17   2.41    12.8
              对比   S=0.4、0.5、0.6  时的综合性能（含正常与异                             5 天   33.02  23.95   2.30    32.5
              常场景），结果如表           7  所示。                          XGBoost  7 天   32.72  23.73   2.28    22.1
                                                                          10 天   33.89  24.68   2.37    15.7
                       表 7   不同  S  值的综合预测性能对比                            15 天   33.27  24.15   2.33    65.4
               Table 7   Comparison of comprehensive prediction per-
                                                                   GAN    30 天   32.72  23.73   2.28    38.2
                        formances with different S values
                                                                          60 天   34.59  25.32   2.45    19.3
                             异常场景      整体RMSE/     计算耗时/
                S值    A c /%
                                                         –1
                            RMSE/MW       MW       (ms·样本 )
                                                                式变化（如早晚峰规律），RMSE                 较  24 h  周期更
                0.4   85.7    31.25       34.15       62
                                                                新增大    1.54 MW。24 h  周期在捕捉每日负荷周期
                0.5   91.2    32.61       32.72       58
                                                                性特征与控制计算开销间取得平衡。
                0.6   96.3    35.18       33.89       55
                                                                    2） XGBoost 7  天 增 量 训 练 周 期 性 能 最 佳 。 5

                  S=0.4  时，异常判定门槛较低（较小的               S  即被     天周期因未完整覆盖周循环特征（如工作日/周末
              视为异常），导致正常样本被误判为异常的比例                             差异），RMSE 较        7  天周期高 0.3 MW；10 天周期
              增 加 ， A 仅 为   85.7%， 过 度 修 正 使 整 体    RMSE  上     虽计算耗时减少（日均 15.7 min，较 7 天周期减
                      c
              升至   34.15 MW，且计算耗时增加；S=0.6            时，异        少 6.4 min），但难以适应气象因子的周内动态变
              常判定门槛较高（需较大的                S  才被视为异常），           化，MAE 较 7 天周期上升 0.95 MW。7 天周期与
              虽  A 提升至    96.3%  且计算耗时较短，但异常场景                  电力负荷的周周期性高度匹配，可有效挖掘气象 -
                  c
              响应滞后，异常场景下            RMSE  达  35.18 MW；S=0.5     日期因子的周尺度关联。
              时 ， A 达 c  91.2%， 整 体  RMSE  最 优 为   32.72 MW，        3）GAN 30 天重训周期综合性能最优。15 天
              且计算效率适中。因此，选择                 S=0.5  作为触发阈        周期虽能更灵敏追踪异常模式，但模型训练频繁
              值，在精度与效率间取得平衡。                                    导致计算负担显著增加，日均计算耗时达 65.4 min

              3.4.5    更新周期敏感性分析                                （较 30 天周期增加 27.2 min）；60 天周期因无法及
                  验证   BiLSTM、XGBoost 和    GAN  分周期更新策          时适配季节更替带来的负荷分布偏移（如冬季供
              略的合理性，通过控制变量法设计多组更新周期                             暖负荷增长）， RMSE 较 30 天周期上升 1.87 MW。
              对比实验，评估不同周期对模型预测精度与计算                             30 天周期既能够平衡历史正常样本分布信息的保
              效率的影响。实验选取典型周期组合：BiLSTM                           留与中期负荷模式演变的适应需求，又能够控制
              微调周期设为       12 h、24 h（当前）、48 h；XGBoost           计算开销，在效率与精度间形成最优配置。
              增 量 训 练 周 期 设 为    5  天 、 7  天 （ 当 前 ） 、 10  天 ；      综 上 ， 当 前 分 周 期 更 新 策 略 （ BiLSTM      每 日
              GAN  重训周期设为       15  天、30  天（当前）、60       天。     微调、XGBoost 每周增量训练、GAN               每月重训）
              以 测 试 集 整 体   RMSE、 MAE、 MAPE      及 日 均 计 算      在预测精度、计算效率与模式适应性间实现最优
              耗时为评价指标，结果如表              8  所示。                  平衡，为模型动态响应非平稳负荷波动提供了合
                  根据表    8  的结果分析得到以下结论。                        理的时间尺度配置。

                  1）BiLSTM   选择   24 h  微调周期最优。12 h       周
              期虽能更快响应负荷波动，但日均计算耗时达到                             4    结 语
              48.6 min，且过度更新易引入噪声；48 h             周期虽计
              算成本降低（12.8 min），但因滞后于日内负荷模                            为解决超短期电力负荷预测中负荷时序性、

                                                                                                           129
   128   129   130   131   132   133   134   135   136   137   138