Page 51 - 《中国电力》2026年第5期
P. 51

随泽远等：基于门控脉冲神经               P  系统模型的概率负荷预测                          2026  年第 5 期



              要分为两大类，即基于统计的方法和基于机器学                             解决长时间序列的长期依赖问题，但仍会存在信
              习的方法。由于机器学习能够更好地处理非线性                             息丢失，导致预测精度下降。
              问题和多维数据，其预测性能相比统计方法有更                                 此外，负荷数据选取时，如果将不相关的特
              明显的提升。目前，常用的机器学习算法主要包                             征输入到模型中，会导致模型出现过拟合现象使
              括支持向量机       [13] 、极限梯度增强      [14] 、随机森林   [15]  其在新的数据上预测精度下降。如何从外部特征
              和深度学习算法等。深度学习具有自动特征提取和                            中选取最相关的特征，成为提高预测精度的关键
              强大的非线性映射能力，在处理复杂数据和任务                             问题。为此，研究人员提出了传统的选择变量方
              时展现出卓越的性能。其中分位数回归神经网络                             法  [23] ，如前向逐步选择和后向逐步选择等；但传
              （quantile regression neural network，QRNN） [16] 、长  统方法可能会出现共线性问题，导致在特征选择
              短期记忆网络（long short-term memory，LSTM）         [17]  过程中很可能丢失一些重要因素。目前，最小绝
              和门控循环单元网络（gated recurrent unit，GRU）         [18]  对收缩和选择算子（least absolute shrinkage and selec-
              模型在概率负荷预测中得到了深入研究。文献                       [16]   tion operator，LASSO）已在电气领域用于解决上
              提出了一种基于单调复合              QRNN  和高斯核密度估            述问题    [24] 。文献  [25] 提出了一种结合      LASSO  算法
              计的日前负荷概率密度预测方法，通过同时估计                             的分位数回归深度神经网络方法，用于解决负荷
              多个非线性分位数回归函数，解决了分位数曲线                             概率预测中的分位数交叉和结构复杂性问题。通
              交叉的问题。文献          [19] 提出了一种基于累积隐藏                过加入非交叉约束和           LASSO  算法，有效提高了预
              层连接结构和自适应模糊控制的                 QRNN  模型，用         测精度和可靠性。文献            [26] 提出了一种      LASSO  分
              于短期概率负荷预测，提高了预测的准确性和可                             位数回归神经网络方法来预测年电力消耗，在传统
              靠性。然而，传统的           QRNN  容易出现过拟合以及               的  QRNN  中加入了高斯噪声层以防止模型过拟合，
              训练过度的问题，导致预测精度下降。近年来，                             提高了用电量的预测精度并减少了其不确定性。
              人们也提出了改进的            QRNN [20] ，但随着网络层数               针对现有概率负荷预测方法中，如何选取最
              增加，会出现梯度爆炸和消失问题，且                     QRNN  在     相关特征以及避免传统循环神经网络在预测长时
              处理时间序列预测时难以有效捕获和保留长期依                             间 序 列 时 精 度 下 降 的 问 题 ， 本 文 提 出 一 种 基 于

              赖关系。                                              LASSO-GSNP   模 型 的 分 位 数 回 归 概 率 预 测 模 型 。
                  相比之下，LSTM        作为常用的循环神经网络                  门控脉冲神经        P  系统  [27] （gated spiking neural P sys-
              变体，具有更好的捕获和保留长期依赖关系的能                             tem，GSNP）是脉冲神经          P  系统  [28] （spiking neural
              力 ， 遗 忘 门 机 制 有 效 避 免 了 梯 度 爆 炸 和 消 失 问           P system，SNP）的一种新型非线性变体，用于处
              题。文献     [17] 通过在   LSTM  中加入结合样本熵值               理时间序列预测。在            GSNP  系统中，为处理时间
              的变分模态分解模块，降低了计算复杂性，同时                             预测问题，与传统          SNP  系统最大的区别在于引入
              提高了预测精度。文献             [21] 通过将自注意力编码             了复位门和消耗门这两个门控机制。双门控机制
              器引入    LSTM  模型，并结合分位数回归实现了区                      通过控制信息的传递和遗忘，使模型能够保留有
              间预测，提高了直接确定性净负荷预测的精度。                             用 的 历 史 信 息 ， 减 轻 长 时 间 依 赖 问 题 带 来 的 影
              相比于    LSTM，GRU    同样采用门机制来解决梯度                   响。此外，GSNP        相较于传统神经网络引入了一
              爆炸和长期记忆被覆盖的问题，但                  GRU  具有参数        种基于神经元的脉冲机制，该机制使信息在神经
              少、收敛速度快和耗时短等优点，可以加速迭代                             元之间通过离散的脉冲信号传输，有助于保留重
              过 程 。 文 献   [18] 通 过 先 使 用 变 分 模 态 分 解 算 法        要信息，且无需持续激活所有神经元，从而减少
              优化数据，再将双向            GRU  模型与卷积神经网络               了信息丢失对预测精度的影响。
              （convolutional neural network，CNN）相结合，提               本文首先使用        LASSO  算法筛选出影响负荷最
              高了负荷预测的精度。文献               [22] 提出结合多尺度           相关的外部特征数据，有效地降低数据维度。其
              卷积神经网络的双向           GRU  组合模型，有效解决了               次，基于传统        GSNP  模型，将损失函数替换为分
              电力负荷关键特征难以提取的问题，提高预测的                             位 数 回 归 损 失 函 数 ， 生 成 不 同 置 信 度 下 的 预 测
              精度。然而，上述          LSTM  和  GRU  虽能在一定程度           值，实现分位数概率预测。最后，利用两个不同

                                                                                                           47
   46   47   48   49   50   51   52   53   54   55   56