面向智能电网的混合CNN-LSTM模型与IGA-XAI驱动的城市能源负荷预测：峰谷时段变异性解析

为解决城市能源需求的时间特异性随机波动问题，特别是峰谷时段负荷预测精度不足的挑战，研究人员开展了一项基于混合1D-CNN-LSTM模型与集成梯度归因（IGA）可解释人工智能（XAI）的智能电网负荷预测研究。该研究在孟加拉国吉大港市实现了日峰、晚峰和离峰时段的中短期负荷预测，R2最高达0.9602，噪声鲁棒性测试显示平均精度仅下降2.5%，显著提升了电网运营效率与可持续能源管理的可靠性。

　　

随着1879年托马斯·爱迪生发明实用电灯以及1882年珍珠街发电站的建成，电力在现代社会中的核心地位日益巩固。然而，城市化进程加速与气候变化加剧导致能源需求呈现高度随机性和多尺度动态特征，特别是在日间高峰、晚间高峰和离峰时段，传统预测方法难以捕捉复杂用电行为，造成能源分配效率低下和系统过载风险。这一问题在孟加拉国等发展中国家尤为突出——尽管该国电力覆盖率在2008–2021年间增长285%，但其2030年40吉瓦和2041年60吉瓦的发电目标仍面临高碳排放挑战，亟需符合可持续发展目标（SDG 7）的轻量级能源管理工具。

针对上述问题，由吉大港科技大学电气与电子工程系Sarowar Morshed Shawon、Shah Nawaz Haider、Arnab Barua、Steve Austin、Ifaz Ahmed Adan、Mohammad Shahadat Hossain和H.T. Zubair组成的研究团队，在《Results in Engineering》发表了一项创新性研究。他们开发了一种结合一维卷积神经网络与长短期记忆网络（1D-CNN-LSTM）的混合模型，并引入基于集成梯度归因（Integrated Gradients Attribution, IGA）的可解释人工智能（XAI）框架，用于城市能源负荷的精准预测与决策解析。

本研究主要采用以下关键技术方法：首先从孟加拉国电网公司（PGCB）和NASA能源资源预测平台（Power LARC）获取吉大港市2021年1月至2023年6月的负荷数据及气象指标（包括温度、露点、湿球温度、比湿等9类特征），按日峰（9:00–17:00）、晚峰（18:00–21:00）和离峰（22:00–次日8:00）划分时段；随后通过皮尔逊相关性分析验证特征与负荷的线性关系；采用标准缩放进行数据归一化并按70%–30%比例划分训练集与测试集；构建的混合1D-CNN-LSTM模型包含三层卷积层（滤波器数32–64–64）、全局最大池化层、LSTM层（32单元）和全连接层，并以均方误差（MSE）、平均绝对误差（MAE）、平均绝对百分比误差（MAPE）和决定系数（R2）作为评估指标；最后通过IGA-XAI技术解析特征贡献度，并注入5%–20%高斯噪声验证模型鲁棒性。

4. 结果与分析

滞后窗口优化：研究通过热图分析发现滞后步长（Lag）为7时模型性能最优，日峰、晚峰和离峰时段的平均R2达到0.9515，显著高于滞后1、3、5、9步的配置（0.7234–0.9469），表明近期历史数据对负荷预测具有决定性影响。

模型性能对比：所提CNN-LSTM模型在所有评估指标上均优于对照模型（CNN、GRU、LSTM、Transformer-LSTM）。在日峰预测中，其R2为0.9602（RMSE=32.79），而传统LSTM仅为0.9514（RMSE=42.07）；离峰时段预测中，CNN-LSTM的MAPE低至0.0315，而GRU模型高达0.1117，印证了混合架构在捕获时空特征方面的优势。

多日前瞻预测：模型在1–7日预测中表现稳健，1–3日前瞻的R2维持在0.82以上，但4–7日预测精度逐渐下降（R2降至0.56–0.78），反映长期预测中气象与时间不确定性的累积效应。

泛化能力验证：在达卡和锡尔赫特市的测试中，模型平均R2分别为0.888和0.8212，其中日峰预测精度最高（达卡R2=0.936），证明其适用于不同城市规模的电网系统。

噪声鲁棒性测试：在添加5%–20%高斯噪声后，模型在所有时段均保持稳定，离峰时段预测精度甚至略有提升（R2从0.9464升至0.9477），平均性能下降仅2.5%，凸显其对实际数据异常的容错能力。

可解释性分析：通过IGA归因热图发现，比湿（Specific Humidity）和露点（Dew Point）在日峰和晚峰预测中贡献度最高（ attribution值达114–149），且近期滞后步（t-3至t-1）特征影响力显著，与相关性分析中温度类变量与负荷的正相关关系（r=0.75–0.86）一致，揭示了气象因子对负荷波动的核心驱动作用。

5. 讨论与结论

本研究通过融合CNN的局部特征提取能力与LSTM的长时序依赖建模优势，成功实现了城市多时段负荷的高精度预测。其核心价值在于：

1. 1.

   时段特异性建模：首次将日峰、晚峰和离峰作为独立预测单元，解决了传统方法对用电行为差异的忽视问题；

2. 2.

   解释性与鲁棒性兼顾：IGA-XAI框架明确了气象与历史负荷的贡献权重，为电网调度提供了透明决策依据；

3. 3.

   技术推广性：模型在噪声环境和多城市验证中表现稳定，适用于智能电网的动态需求响应场景。

研究的局限性在于未考虑节假日和社会事件对负荷的影响，且长期预测性能有待提升。未来工作将集成联邦学习实现跨区域隐私保护下的协同训练，并探索多模态数据（如经济指标、用户行为）的融合预测，进一步推动可持续能源系统的智能化发展。