Page 47 - 《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

期趋势规律的捕捉上能力相对有限；标准 Trans- 跨时段动态关联模型，有效捕捉了负荷数据的时
former 模型则依靠其注意力机制，在表征复杂时 空耦合特性；
序依赖方面表现更优，为后续改进提供了基础。 2）创新性地采用差异化 Dropout 正则化集成
STformer 模型采用趋势项与波动项分解的处理策 策略，在保证模型结构简洁的同时，显著缓解了
略，在趋势主导的工作日场景中效果良好，但在 过拟合问题并提升了模型泛化能力。
波动剧烈的高温日与节假日场景中误差明显增大， 实 验 结 果 表 明 ， 本 方 法 在 MAPE、 MAE 和
显 示 出 其 对 突 发 性 波 动 建 模 的 不 足 。 XGBoost+ RMSE 3 项 关 键 指 标 上 均 显 著 优 于 传 统 单 一 模
Informer 模型在训练过程中使用 XGBoost 进行特征 型，为新型电力系统背景下配电网的优化调度提
筛选，可能导致部分在异常波动时起关键作用的 供了可靠的技术支持。
“次要”特征被排除，从而影响了其在非平稳场
景下的预测性能。相比之下，本文提出的 Ensemble 参考文献：
Transformer 模型通过集成学习策略，有效融合了
多元互补的特征表示与预测视角，不仅继承了标 [1] 盛万兴, 刘科研, 李昭, 等. 新型配电系统形态演化与安全高效运行
准 Transformer 处理复杂时序依赖的优势，还增强 方法综述 [J]. 高电压技术, 2024, 50(1): 1–18.
了对平稳趋势与突发波动的协同建模能力，进而 SHENG Wanxing, LIU Keyan, LI Zhao, et al. Review of basic theory
在各类负荷场景下均表现出更优且更稳定的预测 and methods of morphological evolution and safe & efficient
精度，体现了良好的场景适应性与模型鲁棒性。 operation of new distribution system[J]. High Voltage Engineering,
图 8 展示了模型在验证集上进行预测的不确 2024, 50(1): 1–18.
定 性 估 计 分 布 。 该 估 计 的 均 值 为 0.81， 其 25%、 [2] 王杰, 郑飞, 张鹏城, 等. 基于数据驱动的高比例新能源配电网规划

50% 和 75% 分位数分别为 0.74、0.82 和 0.89。与单 模型 [J]. 中国电力, 2025, 58(3): 175–182.
一预测值相比，结合不确定性指标能为电网短期 WANG Jie, ZHENG Fei, ZHANG Pengcheng, et al. Model of high-
调控提供更全面的决策依据。该指标量化了模型 proportion new energy distribution network planning based on data-
的置信度，例如，当某个预测的不确定性估计值 driven approach[J]. Electric Power, 2025, 58(3): 175–182.
为 0.79 时（位于 25%~50% 分位区间），表明该预 [3] 叶宇剑, 吴奕之, 胡健雄, 等. 城市电力-交通耦合系统的联合推演
测结果具有较高的置信水平，可被视为稳定可靠。 与协同优化: 研究综述、挑战与展望 [J]. 中国电机工程学报,
2025, 45(11): 4144–4163.

6
YE Yujian, WU Yizhi, HU Jianxiong, et al. Joint prediction and
5
coordinated optimization of integrated urban power distribution and
频率/% 4 3 transportation systems: literature review, challenges and prospects[J].
2 Proceedings of the CSEE, 2025, 45(11): 4144–4163.
[4] 肖勇, 陆文升, 李云涛, 等. 城市配电网发展形态指标体系及其评估
1
方法研究 [J]. 电力系统保护与控制, 2021, 49(1): 62–71.
0
0.4 0.5 0.6 0.7 0.8 0.9 1.0 XIAO Yong, LU Wensheng, LI Yuntao, et al. Research on index
不确定估计
system and its evaluation methods of urban distribution network
图 8 不确定性估计直方图
Fig. 8 Uncertainty estimation histogram development form[J]. Power System Protection and Control, 2021,

49(1): 62–71.
5 结论 [5] 李晨朝, 陈佳佳, 王敬华. 基于主从博弈和 IGDT 的含电动汽车需
求 响 应 光 伏 园 区 储 能 优 化 配 置 [J]. 电 力 建 设 , 2025, 46(4):
本文提出一种基于 Transformer-集成学习的配 126–136.
电网短期负荷预测方法，显著提升了预测精度。 LI Chenzhao, CHEN Jiajia, WANG Jinghua. Optimal configuration
通过理论建模与实证分析，得出以下结论。 of energy storage in photovoltaic park with electric vehicle demand
1）利用 Transformer 的多头自注意力机制构建 response based on Stackelberg game and information gap decision

43