基于闭环神经网络与交互增益特征选择的电力负荷预测模型研究

为解决电力系统短期负荷预测(STLF)中预测精度不足和不确定性量化缺失的问题，研究人员开发了一种融合小波变换(WT)、互信息-交互增益(MI-IG)特征选择和闭环神经网络的集成模型。该模型通过迭代校正机制将点预测与区间预测相结合，在PJM和奥地利电网数据集中实现了MAE低至224.17 MW、MAPE仅0.29%的高精度预测，为电力系统调度决策提供了更可靠的量化依据。

　　

随着全球能源需求激增，电力系统的精准负荷预测成为保障电网稳定运行的核心挑战。传统预测方法往往陷入两难困境：简单模型难以捕捉负荷的非线性特征，而复杂模型又容易因冗余特征和误差累积导致性能下降。更关键的是，现有模型多聚焦于点预测，忽视了负荷波动固有的不确定性，这可能导致电网运营商被迫维持过高备用容量，仅1%的预测误差就会带来10-20%的额外成本。在PJM等大型电力市场中，预测偏差甚至曾引发切负荷事件。这些痛点催生了对兼具高精度和不确定性量化能力的预测方法的迫切需求。

为此，研究人员开发了一种创新的闭环神经网络框架，其核心突破在于将信号处理、特征优选和迭代校正机制有机整合。研究首先通过小波变换(WT)将负荷数据分解为A1、D1-D3等多频段成分，有效分离基波与峰值负荷特征；随后采用互信息-交互增益(MI-IG)这一两阶段特征选择方法，先基于互信息(MI)筛选与负荷相关的特征，再通过交互增益(IG)剔除冗余变量。模型架构上，创新性地构建了由MLP(多层感知机)和Elman神经网络组成的集成系统，通过快速前向算法(FFA)从40次训练结果中优选10组预测场景，再经堆叠集成生成最终预测。最具革新性的是闭环校正模块：当点预测值超出基于核密度估计(KDE)的预测区间时，系统自动触发重新预测，直至结果收敛到合理区间。

关键技术方法包括：1) 使用db4小波进行4层信号分解；2) MI-IG特征选择中采用三角形核函数的KDE-Epanechnikov进行区间估计；3) 集成学习结合FFA场景缩减；4) 以PJM(2010-2017)和奥地利(2015-2020)电网数据验证，评估指标涵盖PICP(预测区间覆盖概率)、PINAW(归一化平均宽度)和CWC(覆盖宽度准则)。

框架设计
提出的级联预测器将24小时负荷曲线分解为独立的小时级模型，每个预测单元专注特定时段的模式识别。这种"分而治之"策略使模型能更精准地捕捉早晚高峰等时段特异性特征，相比整体建模方法显著提升一致性。

特征选择机制
MI-IG算法通过计算联合分布与边缘分布的KL散度量化特征相关性，其创新点在于引入IG指标评估特征间交互作用。数学表达显示，当两个特征x_i和x_j的联合信息I[(x_i,x_j);y]小于单独信息之和时，系统将自动剔除冗余特征，这一过程通过式(4)的差分运算实现。

闭环校正逻辑
当第k次预测值?_t^(k)超出[L_t,U_t]区间时，系统根据误差项ε_t^(k)=y_t-?_t^(k)生成校正信号，通过元学习器调整预测，直至满足式(12)的收敛条件。这种机制使模型在PJM数据集感恩节异常日仍保持341.5 MW的MAE，显著优于开环系统的390.1 MW。

性能验证
在PJM六月峰值的测试中，模型MAE(224.17 MW)较基准模型提升38.6%，MAPE降至0.29%。奥地利电网预测中更实现32.38 MW的RMSE，KDE-Epanechnikov的PICP达88.8%。图示结果清晰显示，模型能精准跟踪17:00的93 MW负荷尖峰，而传统方法此时出现明显滞后。

这项研究通过有机整合信号处理、智能优化和闭环控制，为电力负荷预测提供了新范式。其创新性体现在三方面：1) 首次将MI-IG特征选择应用于负荷预测，有效解决特征冗余问题；2) 开发的FFA-集成框架兼具算法多样性和计算效率，单次预测仅需2.4秒；3) 闭环机制将区间预测从被动评估工具转变为主动校正手段。这些突破不仅适用于电力系统，也为交通流量、金融时序等不确定性预测问题提供了可迁移的方法论。未来研究可探索联邦学习框架下的隐私保护训练，或引入量子计算加速小波变换过程，进一步推动预测技术的边界。