Page 50 - 《中国电力》2026年第5期

第 59 卷 第 5 期 Vol. 59, No. 5
2026 年 5 月 ELECTRIC POWER May 2026

引用格式：随泽远, 王军, 彭宏, 等. 基于门控脉冲神经 P 系统模型的概率负荷预测[J]. 中国电力, 2026, 59(5): 46−56.
Citation: SUI Zeyuan, WANG Jun, PENG Hong, et al. Probabilistic load prediction based on gated spiking neural P system model[J]. Electric Power,
2026, 59(5): 46−56.

基于门控脉冲神经 P 系统模型的概率负荷预测

随泽远 ，王军 ，彭宏 ，王德林 ，宋戈 3
2
1
1
1
(1. 西华大学 电气与电子信息学院，四川 成都 610039；2. 西南交通大学 电气工程学院，四川 成都 610031；
3. 国网四川省电力公司成都供电公司，四川 成都 610021)
Probabilistic load prediction based on gated spiking neural P system model

1
SUI Zeyuan , WANG Jun , PENG Hong , WANG Delin , SONG Ge 3
1
1
2
(1. School of Electrical Engineering and Electronic Information, Xihua University, Chengdu 610039, China; 2. School of Electrical
Engineering, Southwest Jiaotong University, Chengdu 610031, China; 3. State Grid Sichuan Electric Power Company
Chengdu Power Supply Bureau, Chengdu 610021, China)

Abstract: Conventional deterministic load forecasting fails to 提高概率负荷预测的精度，提出了一种包含最小绝对收
provide uncertainty information of loads, while probabilistic 缩和选择算子（least absolute shrinkage and selection operator，
load forecasting can generate probability distributions of LASSO）及门控脉冲神经 P 系统（gated spiking neural P sys-
predicted value uncertainty, thus providing comprehensive tem，GSNP）的 LASSO-GSNP 模型。首先，运用 LASSO 从
information for power grid dispatch decisions. In order to 最低温度、最高温度、平均温度、平均湿度和降雨量等
further improve the accuracy of probabilistic load forecasting, 外部特征中提取关键特征；随后，提出了改进的 GSNP 模
this paper proposes a model, which incorporates the least 型 实 现 概 率 负 荷 预 测 ， 以 提 升 长 时 间 序 列 预 测 的 性 能 。
absolute shrinkage and selection operator (LASSO) and gated 使用 2 个不同尺度的长时间序列数据集作为算例，结果表
spiking neural P system (GSNP). Firstly, LASSO is used to 明，所提模型在预测精度指标和预测区间质量上均优于
extract the key features from external features such as minimum 其他几种典型模型。
temperature, maximum temperature, average temperature, 关键词：概率负荷预测；最小绝对收缩和选择算子；深
average humidity and precipitation. Subsequently, an improved 度神经网络；分位数回归；门控脉冲神经 P 系统
GSNP model is developed to implement probabilistic load
DOI：10.11930/j.issn.1004-9649.202505075

forecasting, enhancing the performance of long-term time-
series forecasting. The case study using two long-term time-
0 引言
series datasets at different scales shows that the proposed model
outperforms several other typical models in terms of both
prediction accuracy and prediction interval quality. 在电力系统的运行和管理中，准确的负荷预
This work is supported by the National Natural Science 测 能 够 很 好 地 帮 助 电 力 企 业 优 化 发 电 和 电 网 运
Foundation of China (No.62176216). 行 [1-7] ，并能提高能源利用率。随着可再生能源在
Keywords: probabilistic load forecasting; least absolute 智能电网中的日益普及和建筑用电负荷的不断增
shrinkage and selection operator; deep neural network; quantile
加，其准确预测对系统设计、控制和相关优化至
regression; gated spiking neural P system
关重要。目前，概率预测方法由于能够评估各种
不确定性的影响而受到越来越多的关注 [8-9] 。概率
摘 要：传统的确定性负荷预测无法提供负载的不确定
性信息，概率负荷预测能够生成预测值不确定性的概率 预 测 大 致 可 分 为 3 类 ： 分 位 数 预 测 [10] 、 区 间 预
分布，为电网调度决策提供更丰富的信息。为了进一步 测 [11] 和概率密度预测 [12] 。其中，基于分位数回归
的概率预测方法更为流行且发展迅速。因此，如
收稿日期：2025−05−27； 修回日期：2026−04−08。 何提高分位数回归概率负荷预测性能已成为研究
基金项目：国家自然科学基金资助项目（62176216）。 热点。现有的基于分位数回归的概率预测方法主

46