Page 45 - 《中国电力》2026年第5期

张怀天等：基于 Transformer-集成学习的配电网短期负荷预测方法 2026 年第 5 期

型预测的稳定性与统计显著性，共执行 50 次独立 以保证时序一致性。
蒙特卡洛随机实验。最终通过对比各模型在多次 验证集上的整体预测误差如表 2 所示。结果
实验中的预测误差指标，综合评估其泛化性能与 表明，本文提出的 Ensemble Transformer 模型在整
预测精度。 体预测精度上显著优于对比模型。具体而言，Trans-
为评估模型泛化能力，验证集覆盖 2024 年数 former 基 准 模 型 的 MAPE 较 LSTM 降 低 了 0.26%；
据，并选取 3 类典型场景对比分析。1）高温日 而在此基础上引入集成学习的 Ensemble Transformer
（2024 年 6 月 15 日至 2024 年 6 月 17 日，72 小时）： 模型，其 MAPE 进一步降低了 0.39%。与近期提
峰 值 10:00 —22:00， 谷 值 23:00 — 次 日 05:00； 出 的 STformer 和 XGBoost+Informer 等 先 进 模 型 相
2）工作日（2024 年 7 月 15 日至 2024 年 7 月 19 日， 比 ， Ensemble Transformer 依 然 表 现 出 明 显 优 势 ，
120 小 时 ） ： 峰 值 13:00 —19:00， 谷 值 00:00 — MAPE 分别降低 0.12% 和 0.24%。与此同时，该模
06:00； 3） 节 假 日 （ 2024 年 6 月 29 日 至 2024 年 型在 MAE 指标上也保持着最低水平。以上结果
6 月 30 日）：峰值 14:00—21:00，谷值 00:00— 充分表明，Ensemble Transformer 在整体预测精度
07:00。训练集采用各预测点前的历史负荷序列， 与泛化能力方面具有显著提升效果。

表 2 3 类典型场景下日负荷的预测误差
Table 2 Prediction errors of daily loads under three typical scenarios

验证集 高温日（6月15日—17日） 工作日（7月15日—19日） 周末/节假日（6月29日—30日）
预测模型 MAPE/ MAE/ RMSE/ MAPE/ MAE/ RMSE/ MAPE/ MAE/ RMSE/ MAPE/ MAE/ RMSE/
% MW MW % MW MW % MW MW % MW MW
Ensemble Transformer 1.48 191.14 247.45 1.26 162.73 194.05 1.13 172.28 211.22 1.50 192.79 215.52
STformer 1.60 206.48 263.42 1.35 175.03 234.21 1.10 172.42 216.88 1.69 216.84 275.79
XGBoost+Informer 1.72 221.97 284.70 1.95 253.77 308.67 1.18 183.31 229.20 1.66 216.58 283.30
Transformer 1.87 243.76 298.32 1.67 217.69 276.02 1.75 265.34 328.65 1.94 245.97 302.94
LSTM 2.13 274.60 366.39 1.93 248.82 306.59 1.84 279.78 336.18 2.05 262.20 324.33

图 6 直观对比了 3 类典型场景下各模型的负 周 末 /节 假 日 场 景 下 ， 负 荷 呈 现 间 歇 性 波
荷预测曲线，图 7 进一步量化展示了关键模型在 动。Ensemble Transformer 的 MAPE 为 1.50%，其精
各场景中的绝对误差分布。结合表 2 列出的分场 度明显优于 STformer（1.69%）和 XGBoost+Informer
景误差指标，具体分析如下。 （1.66%），展现出更优的稳健性与适应性，能够
高温日场景下，各模型面临的负荷波动最为 有效应对规律性较弱且波动突增的负荷模式。
显著。Ensemble Transformer 的 MAPE 为 1.26%，在 表 3 展 示 了 3 类 典 型 场 景 （ 高 温 日 、 工 作
对比模型中保持最低。具体而言，其误差较 LSTM 日、周末/节假日）下各模型对峰荷与谷荷的预测
和标准 Transformer 分别降低了 0.67% 与 0.41%；与 精度对比。在 MAPE、MAE 和 RMSE 3 项指标上，
近期改进模型相比，亦显著低于 STformer（1.35%） 本文提出的 Ensemble Transformer 在绝大多数场景
和 XGBoost+Informer（1.95%）。该结果得益于集 下的峰、谷预测中均表现最优或与其他最优模型
成 策 略 对 极 端 气 温 下 非 线 性 波 动 规 律 的 增 强 学 相当。唯一例外出现在工作日谷值预测中，STformer
习，表明本方法对极端负荷的捕捉能力更强。 因对平稳趋势具有较强捕捉能力，其 MAPE 略优
常规工作日场景下，因负荷规律平稳，各模 于 本 文 模 型 。 整 体 而 言 ， 本 文 方 法 在 峰 值 负 荷

型预测性能普遍较优。其中，Ensemble Transformer （通常为系统运行中最关键且预测难度最高的时
的 MAPE 为 1.13%，表现略优于 XGBoost+Informer 段）的预测中表现突出，同时保持了全时段负荷
（ 1.18%） 及 2 个 基 准 模 型 ， 但 稍 逊 于 STformer 预测的较高可靠性，表明所提模型在提升预测精
（1.10%）。这说明在平稳场景中，不同先进模型 度与系统适应性方面具有显著优势。
的性能差异趋于细微。 当集成成员的 Dropout 概率分别设为 0.2、0.4、

41