Page 38 - 《中国电力》2026年第5期
P. 38

2026  年 第 59 卷



              分布式光伏等随机性负荷则呈现出显著的波动性                             良好，但其验证仍局限于简单场景，缺乏在复杂
              与不确定性      [1-5] 。                                多因素影响区域的应用证据，且模型需要为季节
                  短期负荷预测作为电网调度与安全控制的关                           与趋势分量分别建模，结构较为繁琐。文献                        [32]
              键环节，其精度直接影响系统运行的经济性与可                             采用   XGBoost 方法筛选关键主特征，虽具备较强
              靠 性  [6-10] 。 负 荷 变 化 具 有 典 型 的 时 空 耦 合 特 性 ，     的模型可解释性，但因未纳入气候与节假日等随
              在时间维度上体现为日周期性、季节周期性等规                             机性因素，难以有效捕捉负荷的随机性波动，故
              律，在广义空间维度上则受区域负荷特性、用电                             其应用受限于负荷变化平稳的场景。文献                       [33] 基
              场景差异等因素影响。因此，为实现对未来负荷                             于协方差矩阵并采用相关性系数进行负荷域划分，
              的准确预测，必须同时考虑历史负荷在时间上的                             但该方法对超参数取值较为敏感，适用于负荷域
              演变规律及其在空间维度上的关联特征，二者均                             间关联较弱的场景，当域间关联性较高时，该模
              为构建高精度预测模型的关键输入。传统预测方                             型适用性下降，泛化能力有限。

              法如自回归差分移动平均模型（autoregressive integ-                   现有研究多集中于通过特定模型结构或特征
              rated moving average model，ARIMA） [11-13] 、支持向    筛选方法来提升负荷预测精度，缺乏对复杂多因
              量 回 归 （ support vector regression， SVR）  [14-16]  等 ，
                                                                素耦合影响下模型泛化能力与鲁棒性的系统考量。
              多依赖人工特征与线性假设，难以有效捕捉负荷
                                                                配电网的负荷精细化预测仍面临以下挑战。
              的非线性时空关联特性，难以适应新型电力系统
                                                                    1）多源耦合信号的隐式解耦问题：面对不
              对预测精度的更高要求。
                                                                借助外部特征的纯数据驱动条件，模型必须直接
                  为突破传统方法的性能瓶颈，人工智能技术被
                                                                从高波动的历史负荷序列中逆向解耦并表征多重
              引入负荷预测领域。基于循环神经网络（recurrent
                                                                因素的耦合影响，这对隐式特征学习构成了严峻
              neural network，RNN）  [17-19]  的时序预测方法虽然能
                                                                挑战。
              够建模时序依赖性，但仍面临梯度消失和长期记
                                                                    2）小样本过拟合问题：Transformer 因依赖大
              忆能力不足等固有缺陷。针对该问题，相关研究通
                                                                规模数据而易在配电网小样本场景下过拟合，导
              过融合多模型优势、结合物理机理与数理统计方
                                                                致模型泛化性能下降，难以准确预测负荷变化。
              法，开发了包括卷积神经网络（convolutional neural
                                                                    3）随机性增强问题：多元负荷的叠加效应
              network，CNN）   [20-22] 、长短期记忆网络（long short-
                                                                （如电动汽车随机充电）会显著放大系统不确定
              term memory，LSTM）   [23-25]  在内的深度学习方法体
                                                                性，而传统确定性预测方法无法量化其联合波动
              系，通过自主提取负荷数据的高维时空特征，实
                                                                风险。
              现预测性能的显著提升，为高比例可再生能源接
                                                                    为此，本文建立了          Transformer-集成学习融合
              入条件下的电力系统优化调度提供了有效的技术
                                                                （ ensemble Transformer， ET） 模 型 。 首 先 ， 构 建
              支撑。
                                                                多 维 特 征 嵌 入 层 ， 实 现 负 荷 时 序 数 据 、 周 期 特
                  近年来，Transformer 凭借其自注意力机制在
                                                                征与环境变量的协同表征；其次，利用多头自注
              时序建模中取得重要进展              [26-29] ，并在多元负荷场
              景下的配电网短期预测中展现出独特优势：该机                             意力机制建立跨时段动态关联模型，有效捕捉负
              制能够自适应捕捉负荷、气象与日期等多维特征                             荷的时空耦合特性；然后，设计分层随机化前馈
              间的动态关联；位置编码技术可有效保留时序特征；                           网络，通过       Dropout 策略增强模型的隐空间多模
              同时，借助特征嵌入拼接或交叉注意力机制，能                             态表征能力；最后，基于贝叶斯近似推断框架，
              够实现多模态特征的高效融合。文献                    [30] 提出一      通 过 集 成 多 个 差 异 化     Dropout 模 型 ， 采 用 多 次
              种基于    Transformer 的多能源负荷预测方法，适用                  采 样 前 向 传 播 策 略 实 现 预 测 不 确 定 性 的 量 化 评
              于多能耦合特征明显的系统，若系统内负荷间耦合                            估 。 对 比 实 验 结 果 表 明 ， 所 提 模 型 在 预 测 精 度
              较弱，多任务学习的优势将相应减小，甚至可能                             和稳定性方面均显著优于现有基准模型，可为新
              因任务间干扰而导致模型整体性能下降。文献                       [31]   型电力系统下的配电网优化调度提供可靠的技术
              提出的    STformer 模型在多元住宅负荷预测中表现                    支撑。

               34
   33   34   35   36   37   38   39   40   41   42   43