Page 58 - 《中国电力》2026年第5期

2026 年 第 59 卷

0 表 7 各模型 PL 指标（案例 2）
Table 7 PL indicators of various models (case 2)
平均 0.25分位 0.5分位 0.75分位
模型
PL值 数PL值 数PL值 数PL值
x AIS
−500 PINC=90%； 本文方法 26.40 29.21 36.37 29.31
PINC=85%； GSNP 29.11 31.95 39.93 32.78
PINC=80%
LSTM 29.85 35.10 41.12 30.29
本文方法 GSNP LSTM GRU CBLM CBGU GRU 29.37 34.23 40.06 31.47
a) AIS指标结果比较
CBLM 56.50 56.34 87.09 66.72
100
平均PL值； CBGU 54.56 55.38 74.21 65.02
80 0.25分位数PL值；
0.50分位数PL值； 了 9.3%、 11.55%、 10.11%、 53.27% 和 51.61%。 这
0.75分位数PL值
x PL /kW 60 样的提升效果得益于 LASSO 提取的露点温度与电
40 价关键特征，消除了非相关特征对负荷影响；同
时，GSNP 的门控机制以及脉冲传递机制能够在
20
时间序列中选择性保留更重要的信息，从而进一
0 步提升预测的精度。这证明了本文方法在区间预
本文方法 GSNP LSTM GRU CBLM CBGU
b) PL指标结果比较 测以及分位数预测方面的优势。

图 7 AIS 与 PL 指标结果对比（案例 2） 2）中位数预测结果。
Fig. 7 Comparison of AIS and PL index results (case 2) 本文方法的中位数预测结果及与其他模型的
应的置信水平，因此所有模型的区间预测都是可 比较如图 8 所示，可以看出，本文方法具有良好的
靠的。本文方法在三个置信区间的 AIS 平均值相 预测效果。评价结果如表 9 所示，本文方法的 MAE
较于其余模型分别提升了 16.13%、19.31%、27.1%、 和 MAPE 均为最低，且 R 最高，这些结果进一步
2
33.93% 和 57.04%； 此 外 ， 平 均 PL 误 差 分 别 下 降 证明了本文方法在确定性点预测方面的优势。

表 8 各模型区间预测指标（案例 2）
Table 8 Prediction indicators for each model interval (case 2)
置信 本文方法 GSNP LSTM GRU CBLM CBGU
度/% X PICP X PINAW X AIS X PICP X PINAW X AIS X PICP X PINAW X AIS X PICP X PINAW X AIS X PICP X PINAW X AIS X PICP X PINAW X AIS
90 93.64 0.040 7 –325.59 96.07 0.050 2 –402.18 96.57 0.051 2 –410.13 97.21 0.056 9 –455.07 92.10 0.060 4 –483.84 95.50 0.093 8 –751.55
85 91.43 0.037 4 –301.38 93.93 0.044 0 –371.82 92.14 0.041 8 –380.77 96.00 0.050 4 –398.28 91.40 0.051 4 –411.77 92.95 0.078 4 –627.92
80 83.29 0.030 7 –218.72 84.00 0.034 3 –244.17 84.93 0.036 8 –261.82 92.36 0.043 0 –305.97 90.10 0.047 3 –378.87 87.85 0.072 4 –580.22

4 结论 构上引入了门控规则以选择性更新信息，并利用
脉冲机制传递信息，从而提升了长时间序列预测
为提高概率负荷预测的精度，本文分析了如 的性能。
何通过数据选取和利用新型脉冲神经 P 系统网络 3）本文提出的方法不仅能得到较高精度的分
来提升预测性能，并提出了一种基于 LASSO-GSNP 位数预测结果，而且在区间预测上也表现优异，
模型的分位数概率预测方法，主要结论如下。 为实际应用提供了可靠的技术支持。
1）采用的 LASSO 算法可有效筛选出负荷最 值得一提的是，本文所提出的模型性能可能
相关的特征，从而避免因考虑不相关特征导致的 受参数设置的影响，以及不同季节和不同时间段
预测精度下降。 对预测的影响。在后续研究中，可考虑如何筛选
2） 采 用 的 QRGSNP 模 型 实 现 了 概 率 负 荷 预 出最优的参数配置以及在特征输入中加入季节和
测。相较于以往的脉冲神经 P 系统模型，其在结 时间段的动态因素，从而进一步提高概率预测的

54