Page 57 - 《中国电力》2026年第5期

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

表 4 各模型 PL 指标（案例 1） 度，且如前述一样未考虑季节和时段变化带来的
Table 4 PL indicators of various models (case 1)
影响。其特征与负荷的相关度如表 6 所示。其中
平均 0.25分位 0.5分位 0.75分位
模型 露点温度和电价的占比显著高于其他特征，干球
PL值 数PL值 数PL值 数PL值
湿度、湿球温度和湿度的总占比不超过 2%。实际
本文方法 47.83 53.43 65.74 53.13
中，电价的激励因素也对负荷有重要影响，因此
GSNP 53.43 56.09 72.61 59.42
本案例选取露点温度和电价作为特征输入。
LSTM 58.40 67.58 77.21 63.72

GRU 75.50 86.69 103.93 83.08
表 6 各个特征的相关度（案例 2）
CBLM 85.62 100.63 120.42 89.45 Table 6 Correlation between various features (case 2)
CBGU 76.23 85.16 95.82 78.93
特征 相关度/%
干球湿度 0.470

12
真实值； GSNP； 露点温度 67.550
本文方法； LSTM；
GRU； CBLM； 湿球温度 0.850
10 CBGU 湿度 0.073
电价 31.040
负荷/MW 8 1）区间预测结果。

本文方法在 80%、85% 和 90% 置信区间的预
6
测 结 果 如 图 6 所 示 。 可 以 看 出 ， 在 每 个 置 信 区
间，预测区间都能很好地覆盖真实值，并且区间
4
0 10 20 30 40 50 预测的上下限与真实值曲线趋势一致。
采样点/60 min
AIS 和 PL 与其他模型的比较如图 7 所示，表 7
图 5 不同模型的确定性点预测结果（案例 1）
和表 8 列出了各项具体的评价指标，在这三个置
Fig. 5 Deterministic point prediction results of
different models (case 1) 信区间下，所有模型的区间覆盖概率都超过了相

表 5 确定性点预测模型指标比较（案例 1） 11
10
负荷/MW 真实值；
Table 5 Comparison of indicators for deterministic point 9
prediction models (case 1) 8 7 0.5分位数；
模型 E MA /kW E MAP /% R 2 6 PINC=80%
0 20 40 60 80 100
本文方法 127.60 2.003 0.99 采样点/30 min
a) 80%置信区间预测结果
GSNP 144.03 2.221 0.98
11
LSTM 152.97 2.442 0.98 10
GRU 198.17 3.165 0.97 负荷/MW 9 8 真实值；
CBLM 257.40 4.014 0.96 7 0.5分位数；
PINC=85%
6
CBGU 210.98 3.262 0.97 0 20 40 60 80 100
采样点/30 min
b) 85%置信区间预测结果
3.4 案例 2 11
采用澳大利亚 2006 年全年负荷数据，数据采 负荷/MW 10 9
集时间分辨率为 30 min，特征包含了干球湿度、 8 7 真实值；
0.5分位数；
6 PINC=90%
露点温度、湿球温度、湿度和电价，共计 17 520 0 20 40 60 80 100
采样点/30 min
个样本。选取 1 月 1 日—9 月 19 日作为训练集、 c) 90%置信区间预测结果

9 月 20 日—10 月 29 日作为验证集、10 月 30 日—
图 6 不同置信区间预测结果（案例 2）
12 月 31 日作为测试集。
Fig. 6 Prediction results of different confidence intervals
首先基于 LASSO 生成各个特征与负荷的相关 (case 2)

53