Page 134 - 《中国电力》2026年第5期

2026 年 第 59 卷

气象敏感性、异常波动等挑战，本文提出动态权 based on MSCNN-BiGRU-Attention[J]. Electric Power, 2025, 58(6):
重混合专家模型（DW-MoE），通过多模态融合与 10–18.
动态适应机制提升预测精度。主要研究结论如下。 [4] 孟浩, 徐飞, 符帅, 等. 考虑温控型负荷特性影响的集群用户超短期
1）通过 BiLSTM 捕捉负荷时序周期性，XG- 负荷预测方法 [J]. 中国电力, 2025, 58(12): 63–72, 85.
Boost 刻画气象、日期因子与负荷的非线性关联， MENG Hao, XU Fei, FU Shuai, et al. Ultra-short-term load
GAN 构建正常负荷分布以精准检测异常，三者分 forecasting method for aggregated users considering the impact of
工协作实现多模态特征解耦。 temperature-controlled load characteristics[J]. Electric Power, 2025,
2）设计基于滑动窗口误差反馈与贝叶斯校准 58(12): 63–72, 85.
的动态权重机制，结合 GAN 异常得分实时修正 [5] 吴军英, 路欣, 刘宏, 等. 基于 Spearman-GCN-GRU 模型的超短期
专家贡献度，解决融合僵化问题；采用分周期在 多区域电力负荷预测 [J]. 中国电力, 2024, 57(6): 131–140.
线更新策略，在控制计算成本的同时增强模型对 WU Junying, LU Xin, LIU Hong, et al. Ultra-short-term multi-region
非平稳波动的响应能力。 power load forecasting based on spearman-GCN-GRU model[J].
3）实验验证表明，该模型在超短期负荷预测 Electric Power, 2024, 57(6): 131–140.
中核心指标优于单一模型及传统混合方法，尤其 [6] 范士雄, 李东琦, 郭剑波, 等. 基于时变滤波经验模态分解-重构和
在异常负荷场景下预测误差显著降低，验证了其 独立自注意力机制的 iTransformer 超短期负荷预测方法 [J]. 电网
在多特征融合精度与动态鲁棒性上的综合优势。 技术, 2025, 49(6): 2436–2445.
该模型为超短期负荷预测提供了兼具多源信息整 FAN Shixiong, LI Dongqi, GUO Jianbo, et al. Ultra-short-term load
合与动态适应能力的解决方案，对提升智能电网 forecasting method based on time-varying filter empirical mode

实时调度可靠性具有实际应用价值。 decomposition-reconstruction and iTransformer with stand-alone
后 续 研 究 可 探 索 强 化 学 习 优 化 动 态 权 重 策 self-attention mechanism[J]. Power System Technology, 2025, 49(6):
略，并结合联邦学习框架提升分布式电网场景下 2436–2445.
的隐私保护与泛化能力，进一步增强模型的工程 [7] 王 永 利 , 刘 泽 强 , 董 焕 然 , 等 . 基 于 CEEMDAN-CSO-LSTM-
实用性。 MTL 的综合能源系统多元负荷预测 [J]. 电力建设, 2025, 46(1):
72–85.
参考文献： WANG Yongli, LIU Zeqiang, DONG Huanran, et al. Multivariate

load forecasting of integrated energy system based on CEEMDAN-
[1] 申洪涛, 李飞, 史轮, 等. 基于气象数据降维与混合深度学习的短期 CSO-LSTM-MTL[J]. Electric Power Construction, 2025, 46(1):
电力负荷预测 [J]. 电力建设, 2024, 45(1): 13–21. 72–85.
SHEN Hongtao, LI Fei, SHI Lun, et al. Short-term power load [8] 朱凌建, 荀子涵, 王裕鑫, 等. 基于 CNN-Bi LSTM 的短期电力负荷
forecasting based on reduction of meteorological data dimensionality 预测 [J]. 电网技术, 2021, 45(11): 4532–4539.
and hybrid deep learning[J]. Electric Power Construction, 2024, ZHU Lingjian, XUN Zihan, WANG Yuxin, et al. Short-term power
45(1): 13–21. load forecasting based on CNN-BiLSTM[J]. Power System
[2] 于润泽, 窦震海, 张志一, 等. 基于二次分解重构与多任务学习的综 Technology, 2021, 45(11): 4532–4539.
合 能 源 系 统 多 元 负 荷 短 期 预 测 [J]. 电 力 建 设 , 2024, 45(12): [9] 张晓佳, 王灿, 张佳恒, 等. 基于多能需求响应与改进 BiLSTM 的
149–161. 综合能源系统负荷预测 [J]. 电力建设, 2025, 46(4): 113–125.
YU Runze, DOU Zhenhai, ZHANG Zhiyi, et al. Multi-energy load ZHANG Xiaojia, WANG Can, ZHANG Jiaheng, et al. Integrated
forecasting of integrated energy system based on secondary energy system load forecasting based on multi-energy demand
decomposition-reconstruction and multi-task learning[J]. Electric response and improved BiLSTM[J]. Electric Power Construction,
Power Construction, 2024, 45(12): 149–161. 2025, 46(4): 113–125.
[3] 李科, 潘庭龙, 许德智. 基于 MSCNN-BiGRU-Attention 的短期电 [10] 徐欣然, 张绍兵, 成苗, 等. 基于多路层次化混合专家模型的轴承故
力负荷预测 [J]. 中国电力, 2025, 58(6): 10–18. 障诊断方法 [J]. 计算机应用, 2025, 45(1): 59–68.
LI Ke, PAN Tinglong, XU Dezhi. Short-term power load forecasting XU Xinran, ZHANG Shaobing, CHENG Miao, et al. Bearings fault

130