基于注意力驱动的多周期动态时空图网络的短期负荷预测方法

《Neurocomputing》：A short-term load forecasting method based on attention-driven multi-periodic dynamic spatio-temporal graph network

　　

• 多周期架构通过并行分支捕捉周期性模式。
• 自适应图学习利用 fastDTW 与可学习参数构建动态邻接矩阵。
• 注意力驱动的光谱时间卷积结合多头注意力机制与切比雪夫图卷积提取关键特征。

**引言**

现代智能电网的可靠运行严重依赖于准确的短期负荷预测（STLF），这是机组组合、经济调度和备用规划等关键决策的基础 [1], [2]。对于电力系统运营商而言，高估未来需求会导致不必要的旋转备用和运营成本攀升，而低估则可能引发供应短缺并损害电网可靠性。尽管从经典统计模型到深度学习架构经历了数十年的发展历程，电力负荷数据固有的复杂性仍然带来了严峻的挑战。具体而言，负荷曲线由短期随机波动与长期循环模式叠加而成，后者在日、周和月等多个时间尺度上运行，这要求模型能够同时捕捉多样化的周期性依赖关系以及负荷节点之间的动态空间交互。

根据不同的分类标准，负荷预测可从多个维度进行划分。在空间尺度方面，负荷预测可分为五个层次：建筑、区域、城市、地区和国家级。从时间跨度来看，可分为长期（一年或更长）、中期和短期负荷预测（1 小时至 1 周）。此外，短时期内负荷数据的波动性为预测过程增添了显著复杂性。短期负荷预测方法主要分为两类：统计模型与人工智能模型。在统计模型中，自回归（AR）、自回归移动平均（ARMA）和自回归积分移动平均（ARIMA）模型占主导地位 [3], [4], [5], [6]。尽管这些模型结构简单，但由于线性假设的根本限制，它们不足以捕捉现代电力系统中固有的高维非线性特征。

人工智能技术的快速发展推动了机器学习模型在负荷预测领域的规模化应用。早期研究主要采用多层感知机（MLP）等基本网络架构 [7]，通过端到端映射实现负荷特征提取。随着对时间相关性理解的深入，循环神经网络（RNN）[8], [9] 成为一项关键突破。隐藏状态转移机制为预测技术引入了至关重要的时间建模能力。随后，长短期记忆网络（LSTM）和门控循环单元（GRU）被引入，以平衡计算效率与记忆容量 [10], [11], [12]。通过显式建模时间依赖关系，这些模型克服了传统 RNN 的梯度消失问题，同时保持了强大的非线性拟合能力 [13]。

然而，这些深度学习模型在揭示电力负荷的固有特性方面仍存在局限。图 1 展示了五户家庭的用电负荷，呈现出短期波动与长期趋势相互交织的复合模式。这种周期性变化表明，负荷序列不仅包含微观层面的逐时波动，还封装了多时间尺度的循环模式。现有研究主要聚焦于提取负荷数据的多尺度时间特征并探索单一周期性依赖。Liu 等人（2022）[14] 改进了 Informer 模型，通过直接连接原始输出与历史周期性负荷值实现改进。Yu 等人（2024）[15] 提出了一种利用傅里叶变换计算循环相似性的序列分解机制。Lu 等人（2025）[16] 设计了一种序列到序列策略，用于多步负荷预测。Ding 等人（2025）[17] 提出了 MLGINet 模型，该模型结合多尺度采样（MSS）模块与多尺度交互注意力机制，以提取并融合局部与全局特征。该方法在短期负荷预测中表现出强大的性能。尽管上述方法在捕捉多尺度时间特征方面取得了进展，但它们对多周期依赖的关注较为有限。图 2 显示，负荷数据在相邻月份、周和日的对应时段呈现出相似的模式。这意味着有效的预测模型需要系统地建模跨时间尺度的循环模式。当前方法通常将多周期信号视为单一耦合序列，缺乏显式机制来并行处理日、周和月依赖性，这限制了其建模跨尺度循环相关性的能力。

负荷预测不仅包含不同的时间特征，还具有显著的空间关系。不同地区的负荷模式往往紧密相连，这些空间相关性是影响负荷预测的重要因素。例如，相邻地区可能因天气模式、经济活动或电网配置等共享因素而表现出类似的波动。图神经网络（GNN）作为拓扑结构的强大建模工具，常用于捕捉负荷节点间的空间特征关系。Lin 等人（2021）[18] 提出了一种自适应图神经网络框架，以学习住宅单元之间的隐藏空间关系。Feng 等人（2023）[19] 使用图卷积网络（GCN）提取地区间的拓扑特征，并将空间信息纳入负荷预测模型，从而提升了对电网复杂结构的捕捉能力。部分研究进一步提取了负荷数据的时空特征以增强预测性能 [20], [21], [22]。然而，上述时空方法忽视了电力负荷的多周期性特征。

近期，基于图的预测方法在两个方向上取得了进展。第一，动态图学习消除了对预定义静态拓扑的依赖：Shi 等人（2025）[23] 提出了一种双图框架，将宏观层面的稳定相关性与微观层面的动态波动相结合，用于住宅负荷预测；Zhao（2026）[24] 设计了一种多通道自适应邻接矩阵，融合骨架基础、动态交互与核心稳定性通道，用于区域负荷预测。第二，基于分解的方法在图建模前先解耦多尺度模式：Liang 等人（2025）[25] 引入了 SSSLN 模型，该模型将多元序列分解为趋势成分和季节成分，为每个成分构建独立的动态图，并通过协同学习对齐其空间语义。尽管取得了这些进展，现有动态图方法仍从单一时间视角建模空间依赖，未能显式捕捉负荷数据中嵌入的不同周期模式（例如日、周、月）。这促使我们提出多周期框架，其中每个时间分支维护自身的动态图，以捕捉各分支特有的空间关系。

图 1 展示了五户家庭负荷数据随时间的变化关系。显而易见，相关性在单日内以及不同天之间均表现出动态变化。这种电力负荷的时空耦合特性要求开发能够同时捕捉动态空间拓扑和多周期依赖的模型。

本工作的动机有三点。首先，短期负荷预测对电力系统调度、电网规划和市场竞争力至关重要，其中预测准确性直接影响运营效率与经济效益。其次，短期负荷预测面临固有的挑战，因为多周期时间模式（日、周和月）与负荷节点间的动态空间相关性相互交织，这要求模型能够同时捕捉复杂的时间依赖关系和拓扑关系。第三，尽管现有方法（包括统计模型、RNN 变体和基于 GNN 的方法）解决了部分问题，但它们往往忽视了负荷数据的动态时空耦合特性或多周期依赖关系。

基于自适应图学习与注意力机制的最新进展，本研究提出了一种任务特定的多周期动态时空图网络（AMDSGN），以联合建模动态空间关系与分层时间模式。其在真实世界数据集上的预测准确性已得到验证。本文的主要贡献如下：

1) 提出了一种可定制的多周期框架，将历史负荷信息组织为多个并行时间结构，使得近期、日、周及其他任务相关时间尺度上的多周期时间依赖能够被分别建模。

2) 提出了一种自适应图学习模块，用于捕捉不同时间分支内的节点关系，从而有效捕捉负荷节点间的动态空间关系。每个时间分支维护独立的图学习模块，以便在相应的时间背景下学习空间依赖关系。

3) 在所提框架中采用了注意力驱动的光谱图卷积，其中多头时空注意力机制同时强调时间和空间维度中的关键信息。光谱时间卷积与动态光谱域卷积依次提取时间特征与空间特征。不同时间分支上的预测任务并行执行，最终的短期负荷预测结果通过特征融合模块进行整合。

4) 所提方法在多个真实世界数据集上进行了评估，与几种基线模型相比，预测准确性有所提升。

本文其余部分组织如下：第 2 节介绍必要的技术背景。第 3 节提出所设计的负荷预测方法，包含五个模块：可定制多周期框架、自适应图学习模块、多头时空注意力机制、光谱时间卷积和特征融合模块。第 4 节使用真实数据对所提模型进行验证，并与主流基准进行全面比较。第 5 节总结了本文的工作。

**问题片段**

**短期负荷预测的问题描述**

设 $x_{n,t,f}$ 表示节点 $n$ 在时间 $t$ 的第 $f$ 个特征值，令 $\mathbf{x}_{n,t}$ 表示节点 $n$ 在时间 $t$ 的 $d$ 维特征向量。$\mathbf{X}_t$ 表示时间 $t$ 所有 $n$ 个节点的特征矩阵，$\mathcal{X}$ 表示所有节点和特征在 $T$ 个时间切片上的三维时空序列。设 $y_{n,T+h}$ 表示节点 $n$ 在将来时间 $T+h$ 的负荷值。令 $\mathbf{y}_n$ 表示从时间 $T$ 开始的节点 $n$ 的未来负荷预测序列，其中 $H$ 为预测窗口长度。给定所有节点的历史测量值 $\mathcal{X}$，

**方法论**

本节介绍所提出的负荷预测模型，称为注意力驱动的多周期动态时空图网络（AMDSGN）。如图 3 所示，该框架遵循分治范式：历史负荷数据首先被分解并输入可定制多周期框架。每个时间分支可基于自适应图学习模块构建时空拓扑结构，并提取时间依赖特征（近期、日、

**数据集**

为评估我们模型的性能，我们在真实世界数据集上进行了对比实验。这些数据集来自 OpenEI [36]（美国国家可再生能源实验室，2014 年），涵盖了美国所有气候区域中主要类型的住宅和商业建筑的负荷数据。数据集以 1 小时分辨率采集，每栋住宅建筑包含 8760 个逐时数据点。在以下实验中，总逐时用电量

**结论与未来工作**

在智能电网系统中，准确的负荷预测对运营效率与稳定性至关重要。本文提出了 AMDSGN 以解决短期负荷预测中固有的复杂时空依赖问题。现有方法面临三个主要局限：(1) 传统时间序列模型难以捕捉空间相关性，(2) 静态图网络无法适应动态变化的节点关系，(3) 单一时间尺度建模不足以表征多周期负荷模式。为

**CRediT 作者贡献声明**

Zhenyu Wu：撰写——初稿，方法论。Qiqi Zhai：撰写——初稿，方法论。Yanting Li：撰写——审阅与编辑。Chaoxu Mu：撰写——审阅与编辑。

**利益冲突声明**

作者声明，他们没有已知可能影响本文所报告工作的财务利益冲突或个人关系。

Zhenyu Wu 于 2017 年获得合肥工业大学机械工程学士学位，2020 年获得燕山大学机械电子工程硕士学位，2024 年获得上海交通大学工业工程博士学位。目前他是安徽大学人工智能学院助理教授。他的研究兴趣包括统计过程控制、工业

Zhenyu Wu | Qiqi Zhai | Yanting Li | Chaoxu Mu