基于DSECA-TCN-Transformer的区域电网短期电力负荷预测

《Pattern Recognition Letters》：Short-Term Power Load Forecasting for Regional Grids Based on DSECA-TCN-Transformer

　　

• •
  TCN 结合了扩张型因果卷积和残差块，以实现高效的局部特征提取和并行计算。
• •
  DSECA 能够捕捉局部跨通道交互，增强 TCN 的自适应特征权重和时间特征提取能力。
• •
  Transformer 通过多头注意力机制建立长距离依赖关系，捕捉多尺度时间表示的关键时间步骤。

引言

随着能源结构的全球转型和智能电网的进步，电力系统负荷预测在能源管理和资源分配中发挥着至关重要的作用[1]。其准确性直接影响电网调度效率、经济运行和可再生能源的整合[1]。在“双碳”目标[2]的背景下，电力系统面临着高比例可再生能源整合和多样化负荷增长的双重挑战[3]，使得短期负荷预测（通常为未来24-168小时）尤为重要[4]。然而，传统的预测方法难以处理日益复杂和非线性的电力消费模式[5]。

短期电力负荷预测本质上是一个基于高维特征的时间序列建模问题[6]。早期的工作依赖于统计方法：ARIMA[7] 和指数平滑（ES）[8]。虽然这些方法在建模线性关系方面非常有效，但它们在捕捉负荷数据的非线性动态方面存在不足。

该领域因机器学习的出现而发生了变革，典型的代表是SVR[9] 和随机森林[10]——它们通过特征工程来提高预测精度。然而，这些机器学习方法在处理大规模高维数据时仍然面临计算效率低和泛化能力不足的挑战[11]。近年来，深度学习方法变得更为突出，循环架构如LSTM和GRU[12][13]通过其内部门控机制表现出强大的时间依赖性建模能力。然而，相关研究表明，基于RNN的模型存在固有局限性，包括训练速度慢和捕捉长期依赖性能力有限[14]。

为了解决这些局限性，Lea等人[15]在2017年提出了TCN，该模型采用扩张型因果卷积和残差连接来实现并行计算并降低训练成本。然而，TCN的感受野受内核大小的限制，阻碍了其捕捉长距离局部特征的能力[16]。尽管复杂模型可以提高性能[17]，但它们不可避免地会增加计算开销。为了平衡性能和复杂性，通道注意力机制被证明可以在参数增加很少的情况下有效提升模型能力[18]。因此，本文提出了一种基于通道注意力的DSECA模块，在引入少量额外参数的同时最大化性能提升。同时，为了解决TCN在负荷预测中的双重局限性——即由于共享卷积核导致的无差别通道处理，以及扩张卷积对突发波动的过度平滑敏感性，所提出的模块并不是对通用注意力组件的简单改编。相反，它是一种经过精心设计的轻量级解码器，旨在缓解上述两个问题：采用通道区分性加权来解决前者，同时引入双池化峰值感知路径来减轻后者。

另一方面，Transformer模型[19]可以通过自注意力机制[20]实现全局依赖性建模，动态捕捉关键时间步骤（如突变点和异常情况），从而与DSECA-TCN模型建立全局上下文关联。这构建了一个从细粒度细节到广泛模式的时间特征层次结构，证明了其在各种预测挑战中的能力[21]。

考虑到不同方法的优点和局限性，设计了一种名为DSECA-TCN-Transformer的混合神经网络预测模型。首先，DSECA-TCN模块处理初始负荷序列数据，利用扩张型因果卷积扩展感受野[22]并捕捉长距离局部特征信息。通过Transformer的操作链——多头自注意力[23]、FFN和LayerNorm，精炼后的负荷序列被转化为最终预测结果。

值得注意的是，虽然提出的混合架构在建模局部和全局依赖性方面显示出潜力，但最近的研究提醒我们，复杂的预测模型并不总是更优的。DLinear[24]模型明确将时间序列分解为趋势和季节性成分，分别由两个单层线性网络建模，表明在具有显著趋势-季节性模式的负荷预测中，高复杂性可能会导致过拟合——强调了结构先验和分解策略的价值。同时，iTransformer[25]通过改变视角解决了传统Transformer的结构不对齐问题：将每个变量的整个时间序列视为一个标记，从而通过自注意力捕捉变量间的非线性相关性，而不是步骤内的关系。总的来说，这两个模型分别为短期负荷预测提供了不同的途径——分别通过时间分解和变量维度反转——同时作为评估所提出的DSECA-TCN-Transformer的关键基准。

章节片段

扩张型因果卷积

因果卷积是一种专门为处理时间序列数据设计的卷积运算。其定义特征是保证在任何时间步骤t，输出仅依赖于时间t及其之前的输入，而不依赖于t之后的未来输入。然而，因果卷积也存在某些局限性。为了纳入远期变量的信息，必须增加卷积层的数量，但这会导致梯度问题等

DSECA-TCN-Transformer预测模型的构建

DSECA-TCN-Transformer架构如图（6）所示。

该模型主要由四个部分组成：输入层、DSECA-TCN层、Transformer层和输出层。这种设计建立了一个多层次的时间序列预测框架，逐步从局部到全局尺度捕获特征，并采用递归迭代策略实现48个未来时间步骤的负荷预测。

（1）输入层：输入数据向量的维度为32 × 48 × 14，

数据集描述

本研究使用了一个来自澳大利亚某个地区的电力负荷数据集，时间跨度为2006年1月1日至2008年12月31日。数据集包括五类历史滞后负荷值、四种类型的气象变量、电力价格数据以及四种类型的时间编码特征。输入变量由第（n-1）天的滞后负荷值、气象因素、电力价格和时间编码特征构成，

结论

DSECA-TCN-Transformer是一种用于短期负荷预测的混合框架，具有三个关键优势。首先，它结合了扩张型因果卷积和残差块，实现高效的局部特征提取和并行计算。其次，DSECA模块捕捉局部跨通道交互，弥补了TCN在自适应权重方面的不足。第三，Transformer模型能够捕捉长距离依赖性和关键事件，如突然的负荷变化。实验结果表明，

CRediT作者贡献声明

杨志钟：撰写——原始草稿、方法论、形式分析、概念化。沈怀硕：可视化、数据整理。刘斌：调查、数据整理。陈子森：可视化、验证。周波：撰写——审核与编辑、监督、项目管理、资金筹集。卢东宇：监督、资源提供。

利益冲突声明

作者声明他们没有已知的财务利益或个人关系可能会影响本文报告的工作。

致谢

本研究部分得到了河池大学高级人才科研启动基金（2023GCC010）、广西高等学校中青年教师科研基础能力提升项目（2024KY0625,2025KY0710）、广西多源信息挖掘与安全重点实验室研究基金（MIMS22-08）以及大学生创新与创业项目（202510605020）的支持；本研究还得到了广西专项基金的资助

杨志钟|沈怀硕|刘斌|陈子森|周波|卢东宇