Page 54 - 《中国电力》2026年第5期

2026 年 第 59 卷

信息传递方式，GSNP 采用离散的脉冲信号在神 τ下的预测值。
经 元 之 间 进 行 传 输 ， 不 需 要 持 续 激 活 所 有 神 经 由此，得到一个时间点下不同分位数的负荷
元，能更好地在长时间序列中保留重要信息，从 预测值为
而进一步提升模型性能。然而，传统的 GSNP 只 τ τ τ τ
y (t) = W f(W u(t −1)+W x(t)+ b) （16）
u
x
y
能 实 现 点 预 测 功 能 ， 为 此 对 GSNP 模 型 进 行 改
τ
τ
τ
其 中 ： y (t)为 分 位 数 τ下 的 预 测 值 ； W 、 W 和
进，将损失函数改为分位数回归损失函数，构造 y u
τ
W 为对应分位数 τ下的权重矩阵。
成 GSNP 分位数回归模型（quantile regression GSNP， x
QRGSNP），其损失函数 F 为 因此输出 99 个分位数点的预测值，从中选取
  第 分位数和第 分位数组成 置信区间、第
Q Q 5 95 90%
 ∑ n ∑ ∑ n ∑ 
1    
F = min (1−τ)|y i − ˆy i,τ |+min τ|y i − ˆy i,τ |   分 位 数 和 第 分 位 数 组 成 置 信 区 间 、 第


Qn   7 92 85%
τ=1 i=1 τ=1 i=1
（15） 10 分位数和第 90 分位数组成 80% 置信区间。最
式中：Q 为分位数总数目； ˆ y i,τ 为样本 i 在分位数 后对预测结果进行性能评价，具体流程见图 2。

A. 数据预处理 B. 外部特征选取 C. 模型预测 D. 预测结果评价
15 预处理好的数据 区间平均得分 (AIS) 区间覆盖率 (PICP)
数据输入 选取好的特征数据
负荷/MW 10 弹球损失 (PL) 平均绝对百分比误差 (MAPE)
异常值剔除 训练GSNP-QR 区间平均带宽 (PINAW) 平均绝对误差 (MAE)
5 模型
0 200 400 600 800 1
采样点/15min 拟合系数R 2
缺失值补充 生成分位数预测
LASSO的特征选取 11 真实值； 0.5分位数； PINC=90%
0.2 10
归一化处理 0.1 设置上下界 负荷/MW 9 8
相关系数 7
0
6
数据集划分 1 2 3 4 5 生成预测区间 0 20 40 60 80 100
样本 采样点/30 min

图 2 LASSO 及 GSNP 分位数预测模型
Fig. 2 LASSO and GSNP quantile prediction model

1 n ∑
3 案例验证 X PICP = c i （18）
n
i=1

3.1 评价指标 式 中 ： X PICP 为 PICP 数 值 ； 当 y i ∈ [L i ,U i ]时 ， 为
c i

3.1.1 概率预测评价指标 1，否则为 0， L i 和 U i 分别为第 i个区间的下界和上
本文采用了弹球损失（pinball loss，PL）、区 界。理论上，当 PICP 数值大于等于区间置信度
间 覆 盖 率 （ PI coverage probability， PICP） 、 区 间 （ PI nominal confidence， PINC） 时 ， 才 认 为 区 间
平均带宽（PI normalized average width，PINAW）、 预测是有效的，否则是无效或不可靠的。
平均区间得分（average interval score，AIS）等 4 个 PINAW 用 于 衡 量 预 测 区 间 的 宽 度 ， 其 值 越
指标来评价负荷预测区间性能。 小，提供的信息越有价值。通常，PINAW 会随着
PL 表达式为 PICP 增大而增大。PINAW 的表达式为
 n ∑
(1−τ)(ˆy i,τ −y i ) , ˆy i,τ ≥y i 1
 （17） X PINAW = (U i − L i ) （19）
X PL = 
τ(y i − ˆy i,τ ) , ˆy i,τ ＜y i
 nR
i=1
式中： X PL 为 PL 数值，PL 值越小，表明该分位数 式中： X PINAW 为 PINAW 数值；R 为数据集中真实
预测误差越小，模型性能越好。 值的最大值与最小值之差。
PICP 为真实值落在预测区间上下界的概率， AIS 综 合 考 虑 了 区 间 覆 盖 率 和 区 间 宽 度 ，
其表达式为 AIS 越大，表明预测区间品质越好，其表达式为

50