一种基于残差时间卷积网络与闭式校准的分层时空精细化网络,用于全国规模的短期负荷预测
《Computers and Electrical Engineering》:A Hierarchical Spatio-Temporal Refinement Network with residual temporal convolutional networks and closed-form calibration for national-scale short-term load forecasting
【字体:
大
中
小
】
时间:2026年10月24日
来源:Computers and Electrical Engineering 5.5
编辑推荐:
摘要
准确的国家级短期负荷预测对于在天气驱动的需求波动下实现可靠调度、备用分配和高效运行至关重要。大多数现有模型要么主要依赖负荷和日历输入,要么通过简单拼接融合高维气象网格数据,这未能充分利用空间结构信息,并在国家尺度上增加了预测误差。本研究提出了层次化时空精修网络(HST
摘要
准确的国家级短期负荷预测对于在天气驱动的需求波动下实现可靠调度、备用分配和高效运行至关重要。大多数现有模型要么主要依赖负荷和日历输入,要么通过简单拼接融合高维气象网格数据,这未能充分利用空间结构信息,并在国家尺度上增加了预测误差。本研究提出了层次化时空精修网络(HST-RefNet)来解决这一空白,该模型直接从全国气象场和历史负荷中学习,无需分解处理。模型采用时空表征时间卷积网络(STR-TCN)来学习主导的时空模式,采用残差聚焦精修时间卷积网络(RFR-TCN)来修正困难工况,并采用一种轻量级随机特征校准器通过闭式训练精修剩余的非线性误差。迭代训练集中在两个TCN阶段,而最终的校准器通过闭式估计仅增加了较低的计算开销。比较研究涵盖了通用序列基线和专门用于结构化高维气象输入的时空基线。在巴基斯坦国家输电与调度公司(NTDC)负荷和美国国家航空航天局(NASA)全球能源资源预测(POWER)基准测试上,HST-RefNet在前6个预测时域上的平均归一化均方根误差(NRMSE)达到5.00%,决定系数(??2)达到0.91,相比最强时空基线将NRMSE降低了7.09%。
1. 引言
短期负荷预测(STLF)支撑了多项联合国可持续发展目标(SDGs),因为它决定了电力系统如何在实时运行中提供可负担、可靠且低碳的电力[1]。系统运营商利用STLF来调度发电和备用容量,推动SDG 7下的经济清洁能源,并强化SDG 9下的电网基础设施。减少因预测误差而产生的可避免的平衡和再调度操作,也有助于通过降低对碳密集型备用机组的依赖来支持SDG 13下的气候行动[2]。此外,成本研究报告表明,预测精度的提升可以带来可衡量的运行节省。对于一座十亿瓦的电厂,预测误差降低1%可带来约160万美元的年度节省,而预测误差接近5%时已经可以获得大部分可实现的经济收益[3]、[4]。此外,实证分析表明,当需求接近峰值水平或输电限制时,误差成本会增长,这将经济损失集中在少数高峰负荷时段,而非均匀分布在全年[2]。这些观察结果促使我们开发预测方法,不仅要平均提高精度,还要在经济敏感的误差分布尾部提升表现,而许多现有方法在这一方面仍然较为薄弱。
现有的STLF研究涵盖多个主要方法学方向,包括经典统计模型、机器学习方法、深度学习架构以及混合或集成框架。这些类别为本研究回顾代表性文献提供了便利的结构,尽管更广泛的STLF文献还包括迁移学习、元学习和基于Transformer的预测等方向。这些方向也从应用驱动、决策导向的角度进行了综述[5]。统计方法分支通过更有效地表征时间结构的模型持续发展。文献[6]的作者开发了一个在线SARIMA(季节自回归积分滑动平均)模型,随着新观测数据的到来进行更新,用于短期电力负荷预测。此外,Mado等人[7]提出了一种双季节ARIMA模型,通过嵌套周期性捕捉半小时级电力需求的日周期和周周期。在另一项研究中,Guo等人[8]将ARIMA与支持向量回归(SVR)结合,其中ARIMA建模线性依赖关系,SVR部分减少非线性残差误差。此外,Shi等人[9]将ARIMA与随机森林模型结合,用于稀疏负荷预测。另一方面,Momani等人[10]在不同采样机制下比较了ARIMA和SARIMA,并展示了季节结构如何影响跨时域的预测精度。这些贡献共同追溯了从单季节模型到多季节和混合模型的发展历程,后者以统计核心为基础进行数据驱动的精修。尽管取得了这些进展,统计方法类别仍然依赖线性动态和平稳性假设,在非线性的负荷响应和急剧的工况变化面前往往力不从心。
机器学习方法通过灵活的数据驱动映射来解决这些非线性问题。通过元启发式优化器调优的SVR模型通过动态调整惩罚参数和核参数来提高精度。此外,Lu和Wang[11]表明,一种融合实时电价的增强鲸鱼优化算法比普通SVR和反向传播神经网络基线持续获得更低的误差。基于实例的方法扩展了这一方向。Hnin等人[12]提出了一种K均值和K近邻框架,该框架对历史负荷剖面进行聚类,将新的日期分配到这些聚类中,然后拟合特定于聚类的回归器,包括带有贝叶斯优化的神经网络和带有贝叶斯优化的LSTM。这种方法在需求模式快速变化的假期期间改善了误差。在另一项工作中,Fan等人[13]改造随机森林,结合均值生成功能层和响应面层,在有限的外生输入下表征峰值和谷值。此外,Jha等人[14]将长短期记忆网络(LSTM)、门控循环单元(GRU)、随机森林和前馈网络结合用于智能电表级预测,并报告在多个时域上精度均有提升。这些机器学习方法增加了灵活性,但仍然依赖特征工程,且未能完全解决高影响工况下的不稳定性问题。
深度学习模型如循环网络通过直接从原始负荷和外生序列中学习非线性时间结构,解决了早期方法的局限性。文献[15]的作者提出了一种时间特征选择LSTM,该模型融合了时间和气象相关特征,提高了预测精度。此外,文献[16]、[17]的作者使用循环神经网络架构进行短期负荷预测。时间卷积网络(TCN)通过卷积序列建模扩展了这一方向,Wang等人[18]将基于TCN的框架应用于工业客户负荷预测。这些模型能很好地捕捉短期和中长期依赖关系,但当序列变长时,由于信息通过隐藏状态压缩,且训练需要大量内存,其性能往往会下降。这些约束促使我们设计能够处理长程相关性、适应快速工况变化并减少对人工调优特征窗口依赖的架构。
基于Transformer和注意力的架构通过学习长序列上的上下文相关相关性来推进短期预测,并根据其从多变量时间序列数据中构建token的方式进行分类。逐点模型如原始Transformer和Informer在每个时间步从所有变量值构成每个token,因此注意力机制作用于编码多变量快照的时间token上[19]、[20]。分块模型如PatchTST(Patch Time Series Transformer)则从单个变量的短时间片段构建token,这加强了局部时间建模并缩短了序列长度[21]。逐变量模型如iTransformer(ITF)将每个完整的单变量序列作为一个token,翻转注意力轴以关注跨变量关系,同时使用独立的前馈层学习时间结构[22]。这些分词方案共同拓展了时间序列注意力机制的设计空间。然而,尽管基于注意力的模型在许多短期预测任务中往往优于循环网络和卷积网络,但在以快速波动为主的工况下(如风速预测)表现不佳,且仍存在较大的计算和内存开销。相关的物理信息时空网络已经利用网格化气象数据和物理先验知识进行风速预测,表明结构化输入和物理感知正则化可以稳定训练并提高短时域精度[23]。另一方面,轻量级随机向量函数链接(RVFL)网络通过固定随机投影和闭式输出权重进行训练。文献[24]、[25]、[26]的作者表明,丰富的特征、深层随机层和循环结构可以改善基于RVFL的学习和预测。这些模型在近期研究中被广泛用于开发各种短期预测问题,如文献[27]、[28]所讨论的。
近期的混合模型通过结合分解、特征学习和集成设计来解决单一深度学习架构的局限性。Choubey等人[29]提出了一种EMD-迁移学习堆叠框架,其中经验模态分解(EMD)将线性和非线性负荷分量分离,ARIMA、Prophet、GRU和TFT等简单基础学习器在分解后的特征上进行训练,线性元学习器整合其输出,这提高了对非平稳性和行业特定异质性的鲁棒性,同时避免了单一深度网络的过度参数化。此外,文献[30]的作者设计了一种两阶段ICEEMDAN-LSTM方案,用于高光伏渗透率下电网级净负荷预测,其中ICEEMDAN过滤具有可忽略能量的高频分量,LSTM预测剩余的多尺度模态,使模型容量集中在谷值和峰值动态上,而非高频噪声上。此外,Han和Zeng[31]通过耦合基于梯度提升回归树、Fisher分数和互信息的混合特征提取流水线与多头CNN及带滞后参数的并行BiLSTM网络,解决了特征利用不足和长期依赖薄弱的问题,从而在无需极深循环堆叠的情况下获得更丰富的特征表征和更强的长期记忆能力。在另一项研究中,Guo等人[32]利用学习器之间的互补性,设计了一个堆叠模型,将ANN、XGBoost、LSTM、堆叠LSTM和BiLSTM作为基础学习器,使用Lasso回归作为元学习器,同时明确纳入温度、降雨量和电价等外生因子,使单一深度模型无需独自学习所有多变量依赖关系和非线性协变量效应。近期,专家路由和动态图设计进一步扩展了这一混合方向。Huang等人[33]提出了一种循环感知自适应混合专家模型,并设计了高需求敏感的非对称损失函数用于电力负荷预测,该模型将预测路由到专业专家,并在高需求期间对低估施加更重的惩罚;同时,Huang等人[34]和Zou等人[35]开发了多分辨率和工况条件的时域感知混合专家框架,用于极端自适应和时空时间序列预测。在相关方向上,Huang等人[36]引入了具有关键节点动态的因果感知多图卷积网络,用于电动汽车充电站负荷预测;Huang等人[37]、[38]开发了稀疏和多尺度动态图学习用于区域供热负荷预测,通过多尺度时间表征扩展了初始的稀疏图设计。这些研究建模的是离散的专家或节点级拓扑结构,而非连续的国家级气象场。除聚合负荷预测外,Rizi等人[39]使用基于深度学习的净负荷预测,考虑分布式能源和电动汽车,以支持电力系统灵活性分析。
近期的工作还强调在短期负荷预测中预处理质量、自适应学习和气象感知混合设计的重要性。Iqbal等人[40]提出了一种混合深度学习框架,结合数据标准化和清洗与双向循环建模,表明仔细的数据预处理可以实质性提高预测精度。在后续研究中,Iqbal等人[41]引入了一种自自适应学习框架,用于随机和气象敏感需求条件下的住宅和商业STLF。在建筑尺度上,Khan等人[42]结合预处理、ConvLSTM、双向GRU和多感知器层来预测功率消耗和发电,同时纳入气象信息。这些研究加强了自适应混合和气象感知预测的论据。然而,它们仍然关注局部或建筑尺度的场景,未直接从全国结构化气象网格中学习。
尽管取得了这些进展,许多短期负荷预测研究仍然依赖低维输入,且工作在有限的空间尺度上。文献[6]的作者使用在线SARIMA模型处理历史负荷动态,而Mado等人[7]通过双季节ARIMA模型扩展了这一方向,用于捕捉日和周周期。Guo等人[8]进一步将ARIMA与SVR结合,但输入设计仍然根本上是低维的。在深度学习方面,文献[15]的作者通过在LSTM中进行时间特征选择来提高负荷预测,文献[18]的作者使用时间卷积网络(TCN)进行高效的序列建模。基于Transformer的变体如Informer[20]、PatchTST[21]和ITF[22]也主要关注多变量时间token,而非显式结构化的国家气象网格。当纳入气象变量时,它们通常被表示为一个或少数几个地点的聚合因子,如Guo等人[32]的堆叠模型、Cao等人[43]的住宅预测研究和Koukaras等人[44]的建筑级分析。相比之下,相邻预测问题中的相关时空研究表明,结构化的网格气象数据是有价值的;例如,Aslam等人[23]使用物理信息时空学习和网格化气象场进行短期风速预测。此外,当计算成本重要时,高效的随机特征和浅层混合设计仍然具有吸引力[27]、[28]。
基于分解的混合方法,如Choubey等人[29]提出的EMD-迁移学习堆叠框架和[30]中的ICEEMDAN-LSTM模型,提高了鲁棒性,但引入了额外的预处理和重建选择。因此,现有方法仍然很少直接从全国格点气象场中学习,同时也通过显式的层次细化机制对残差误差进行建模。为了应对这些挑战,本文提出了层次化时空细化网络(HST-RefNet),这是一种直接从全国气象场和负荷历史中学习、无需降维或分解的预测架构。该模型输入空间分辨率为100公里的全巴基斯坦气象网格以及历史负荷数据,首先通过时空表示TCN(STR-TCN)进行处理,该模块在保留所有网格单元信息的同时捕获主导的时间结构。第二个模块——残差聚焦细化TCN(RFR-TCN)——学习预测STR-TCN的残差误差,从而将模型容量分配到第一阶段未能准确捕获的时间段和运行工况。与在预测前对信号进行分割的基于分解的混合方法不同,HST-RefNet对已学习的残差进行事后层次细化,使每个阶段能够专注于前序阶段系统性遗漏的误差。最后阶段采用嵌入式深度随机特征校准器(edRFC),这是一个基于edRVFL的轻量级修正层,它整合两个TCN模块的预测结果并计算闭式非线性调整。这些组件共同定义了一个用于国家级短期负荷预测(STLF)的统一预测框架,该框架结合了从全国格点气象场直接学习、通过两个时间专用TCN阶段进行层次细化,以及一个轻量级闭式校准层来整合两个阶段的输出。该设计改善了对大规模天气驱动需求模式的表征,强化了对困难残差工况的修正能力,同时保持了短期预测所需的实用计算效率。本文的贡献总结如下:• 本研究开发了HST-RefNet,一种国家级短期负荷预测架构,它能从高维格点气象场和历史系统负荷中联合学习。• 引入了一种层次化两阶段时间细化策略,其中STR-TCN捕获主导的时空负荷-天气映射关系,而RFR-TCN专注于第一阶段预测后仍然难以建模的残差工况。• 集成了一种嵌入式深度随机特征校准器,该校准器将历史负荷窗口与两个TCN阶段的输出相结合,提供高效的闭式非线性修正。本文其余部分组织如下:第2节介绍所提方法,第3节报告实验结果和对比评估,第4节给出结论。
## 2. 所提方法
本节介绍所提出的层次化时空细化网络(HST-RefNet),这是一个三阶段框架,旨在建模全国气象场与历史负荷,并通过越来越专门的模块细化预测。第一阶段通过过滤和归一化高维气象网格构建结构化的时空表示,并将其与历史负荷窗口对齐。第二阶段STR-TCN通过膨胀因果卷积整合网格特征和过去负荷,学习主导的时间结构。第三阶段RFR-TCN通过学习第一阶段预测器的残差误差,聚焦于难以建模的案例。最后,轻量级的嵌入式深度随机特征校准器(edRFC)产生闭式非线性调整来修正剩余的偏差。整体架构如图1所示的框图所示。
*图1. 所提HST-RefNet框架的整体架构,展示了从气象网格和历史负荷通过STR-TCN、RFR-TCN到edRFC校准阶段的数据流。*
### 2.1 数据预处理与特征筛选
所提方法的第一个步骤构建气象环境结构化的时空表示,并在模型训练之前过滤掉冗余变量。该阶段通过将空间域离散化、使用皮尔逊相关性评估特征相关性、仅保留相关变量以及在时间和空间上对保留的特征进行缩放,将原始气象场转换为归一化的多通道张量。感兴趣的空间域记为????2,并被离散化为空间分辨率为??的均匀网格,产生???个水平和???个垂直网格点:
(1) ??={(????,????)∣??=1,…,???,??=1,…,???}
其中??为采样点集合,|??|=??????为网格位置的总数。在每个空间位置(????,????)和时间??处,我们采集??个气象变量,形成向量:
(2) ????(??,??)=[???1???(??,??),???2???(??,??),…,????????(??,??)]
其中????????(??,??)表示在时间??、网格位置(??,??)处特征??的值,包括温度、湿度、风速、风向和气压。为了量化特征相关性,我们计算每个变量在(??,??)处与目标负荷序列????之间的逐网格单元皮尔逊相关系数:
(3) ????(??,??)=∑??(????????(??,??)????????(??,??))(????????) / √(∑??(????????(??,??)????????(??,??))2) √(∑??(????????)2)
其中????(??,??)为网格单元(??,??)处特征??的相关系数,???????(??,??)为该特征在(??,??)处的均值,???为负荷序列的均值。然后我们通过在国家边界内落在该国的网格单元上对其相关性场求平均来总结每个气象变量的全国性相关性:
(4) ????=1/|??ctry| ∑(??,??)∈??ctry ????(??,??)
其中??ctry???表示位于国家边界内的网格点集合,|??ctry|为其基数。如果该国家平均相关性的绝对值超过阈值??,则保留该特征:
(5) ?sig={??∣|????|>??},??=|?sig|?
其中?sig为显著特征集合,??为选定变量的数量。皮尔逊筛选被用作保守的维度控制步骤,而非对气象-负荷依赖关系的完整刻画。由于预测目标是国家级聚合负荷,且每个保留的气象变量都贡献一个完整的全国网格通道,因此阈值??=0.5用于仅保留具有中等至强空间持续全国性关联的变量,而后续的STR-TCN和RFR-TCN从保留的时空输入中学习非线性和滞后依赖性。对于每个保留特征??∈?sig,在长度为??的预测窗口内形成时空张量:
(6) ??????=[????????(??,??)]_{??=1,…,??; ??=1,…,???; ??=1,…,???} ∈?^{??×???×???}
其中??????包含特征??在所有空间网格点上的时间演化。通过将所有保留特征沿特征通道拼接构建完整的输入张量:
(7) ??=concat(???????,…,?????_???) ∈?^{??×???×???×??}
其中??表示完整的时空输入场。最后,使用在训练集上计算的min-max缩放对每个保留特征进行归一化:
(8) ?????????(??,??) = (????????(??,??)???????_min) / (??????_max???????_min)
其中??????_min和??????_max分别表示训练期内特征??的最小值和最大值。最终归一化的模型输入为:
(9) ??? ∈?^{??×???×???×??}
与气象场并行,我们考虑同一时期内的聚合负荷时间序列{????}_{??=1}^{??tot}。对于每个时间索引??,使用训练集统计量对负荷进行标准化:
(10) ????? = (?????μ_load) / σ_load
其中μ_load和σ_load分别为训练集上负荷的均值和标准差。对于每个索引为??的训练样本,我们形成长度为??的输入负荷窗口和整个系统??步的预测目标:
(11) ??? = [???_{??_?????+1},…,???_{??_??}]^? ∈?^??,???????? = [??_{??_??+1},…,??_{??_??+??}]^? ∈?^??
其中???为样本??的标准化历史负荷窗口,????????为对应的提前??小时的负荷向量。
### 2.2 时空表示TCN(STR-TCN)
所提方法的第二个步骤将归一化的时空输入编码为一种紧凑表示,该表示在异质的空间和社会经济条件下捕获长程时间依赖关系。在国家级系统中,某些地区(如大都市区)对聚合负荷的贡献不成比例地大,而农村和小城镇地区虽然需求较低,但仍具有季节性变化。此外,燃料组合和终端使用模式因地区而异;例如,天然气基础设施完善的地区冬季供暖用电可能少于主要依赖电加热的地区,而收入驱动的支出习惯进一步调节了需求对天气的响应。温度和其他气象变量在域上的演化也不均匀,同一时期内有些区域低于冰点,而另一些区域则接近30°C。因此,时间模型必须将缓慢变化的大尺度梯度与急剧的局部工况变化整合起来,同时在长序列上保持稳定和高效。时间卷积网络(TCN)非常适合这种场景,因为它们使用因果卷积与膨胀来构建可控的时间感受野,支持时间上的并行计算,并通过残差连接保持梯度稳定。
给定(9)中的归一化输入张量???∈?^{??×???×???×??}和(10)中的标准化负荷序列?????,我们为每个时间步??构建联合特征向量:
(12) ???? = [vec(???_{??,:,:,:})^?, ?????]^? ∈?^{??+1}
其中vec(?)将所有空间位置和特征通道堆叠为单个向量,??=????????为基于网格的通道总数。堆叠所有时间步得到输入序列:
(13) ?? = [???^?, ???^?, …, ??_??^?]^? ∈?^{??×(??+1)}
TCN层沿时间轴施加一维膨胀因果卷积。设???????=????为时间??处的输入。对于层?,核大小为????、膨胀因子为???的膨胀因果卷积定义为:
(14) (??????_{???}?????1?)_?? = ∑_{??=0}^{?????1} ?????_?? ?????1?_{????????}
其中?????_??∈?^{???×????1}为层?的第??个卷积核,????1和???分别为输入和输出通道维度,求和遵循因果性约束,仅使用过去或当前时间步。
每个TCN层然后通过非线性激活和偏置计算其隐藏表示:
(15) ???????? = φ((??????_{???}?????1?)_?? + ?????)
其中φ(?)为逐点非线性函数(如ReLU),?????∈?^{???}为层?的偏置向量。
为了提高长序列上的优化稳定性和梯度流动,STR-TCN采用残差连接。层?的残差更新为:
(16) ??????? = ?????1??? + ????????
其中???????∈?^{???}为层?在时间??处的输出。如果????1≠???,则对?????1???施加线性投影,使得残差求和有意义。
堆叠??个这样的膨胀残差层,产生的时间感受野随深度和膨胀增大。对于指数增长的膨胀???=2^{??1},最后一层的有效感受野为:
(17) ??_?? = 1 + (?????1)(2^???1)
其中??_??为影响给定时间索引处输出的过去时间步数。该设计使STR-TCN能够捕获短期动态(如由局部天气和使用模式驱动的逐时波动)和长程依赖关系(如渐进的季节性变化和有持续性的社会经济行为),而无需使用非常深的前馈堆栈。
STR-TCN在时间??处的输出通过线性读出从最终隐藏状态获得:
(18) ???? = ??_?? ???????? + ??_??
其中??_??∈?^{??_??×??_??}和??_??∈?^{??_??}分别为输出投影权重和偏置,??_??为STR-TCN表示的维度。该表示从所有空间位置和显著气象特征中在一个大的时间窗口内聚合信息,使下游细化模块能够区分高影响区域、季节工况和社会经济模式对聚合负荷的贡献。
### 2.3 残差聚焦细化TCN(RFR-TCN)
虽然STR-TCN提供了强大的时空表示,但在大面积且异质的区域上进行预测不可避免地会产生比其他例子更难以建模的样本。国家级负荷模式受多种相互作用的因素影响,包括人口密度、收入水平、工业集中度、替代供暖燃料的可获得性以及高度不均匀的气象条件。这些变量并非均匀演化。大都市区往往表现出由商业和住宅活动驱动的急剧上升,而农村地区的模式则更为平缓;类似地,在同一时期内,一个区域的温度可能低于零度,而另一个区域则接近30°C。因此,一部分时间区间包含急剧的工况转换、异常的特征组合或罕见的需求条件,这些是STR-TCN可能无法以相同保真度捕获的。这些困难样本不成比例地影响预测风险,因为它们通常对应于峰值或接近峰值的运行时段。
为了更好地适应这些具有挑战性的工况,所提框架引入了第二阶段细化网络RFR-TCN,它学习预测STR-TCN的残差误差,而非负荷本身。设???_STR_??为STR-TCN在时间??处的第一阶段预测。残差误差定义为:
(19) ???? = ???? ? ???_STR_??
其中????为真实负荷。残差序列{????}精确捕获了STR-TCN未能建模的偏差,包括突发需求激增、罕见的气象-负荷相互作用以及由社会经济条件、节假日效应或意外行为转变引起的局部异常。
RFR-TCN以与STR-TCN相同的时空张量作为输入,预测对应的残差分量。设??为(13)中定义的时间序列。第二个膨胀卷积堆栈处理该序列,得到细化表示:
(20) ?????_{RFR,??} = ?????1?_{RFR,??} + φ((?????_RFR ?_{???} ?????1?_RFR)_?? + ?????_RFR)
其中?????_RFR和?????_RFR为细化网络的卷积权重和偏置,膨胀卷积?_{???}遵循(14)中的定义。时间??处的预测残差通过线性投影获得:
(21) ????? = ??_RFR^? ??????_{RFR,??} + ??_RFR
其中??_RFR和??_RFR为可训练的输出参数。细化预测?????与STR-TCN的估计值结合,产生第二阶段预测:
(22) ????2??? = ???_STR_?? + ?????
这种两阶段设计提供了两个主要优势。首先,通过专注于残差结构,RFR-TCN将模型容量集中在STR-TCN拟合不足的困难样本上,包括罕见的时间工况和空间局域的异常。
其次,残差学习通过缩小预测任务的动态范围来稳定训练过程;残差的幅值通常较小,往往反映的是较简单的高频修正,而非全尺度的负荷动态。这些特性共同使 RFR-TCN 能够在高影响时段提升预测精度,尤其是在预测误差会带来不成比例的经济和运营后果的时段。
2.4. 嵌入式深度随机特征校正器(edRFC)
即使在 STR-TCN 和 RFR-TCN 提供的两阶段优化之后,由于高度局域化的非线性效应、罕见的"气象—负荷"相互作用,或训练数据中不常发生的突然需求波动,某些预测误差仍可能残留。这些残差模式往往源自复杂的社会经济行为,例如突发的商业用电激增、工作日与周末的转换,或仅影响部分地区的异常天气扰动。深度时序模型可能难以充分捕捉此类稀疏模式,因为其学习动态倾向于优先关注全局一致的结构特征。为了在不引入额外深度或计算密集型模块的前提下纠正这些剩余偏差,所提出的框架嵌入了一个嵌入式深度随机特征校正器(edRFC)作为最终的轻量级非线性调整层。
对于每个训练样本 ??,我们构建校准特征向量,方法是将标准化历史负荷窗口 ?? 与第一、第二 TCN 阶段产生的 ?? 步预测值 ????1?? 和 ????2?? 进行拼接,得到:
(23) ??? = [???, ????1???, ????2???, 1]? ∈ ?^(??+2??+1)
其中最后一个分量是显式的偏置项。这一构造方式与将负荷窗口和两个 TCN 输出的拼接结果输入 edRFC 模块的实现方案一致。
随机向量函数链接(RVFL)网络利用固定的随机投影生成非线性变换,从而无需在这些层中进行反向传播。随机特征变换执行固定的非线性展开:
(24) ??? = φ(??_rf ???)
其中 ??_rf ∈ ?^(??_rf×(??+2??+1)) 是随机初始化且固定的权重矩阵,??_rf 是随机神经元的数量,φ(·) 是 ReLU 或 sigmoid 等非线性激活函数。由此为每个样本得到随机特征嵌入 ??? ∈ ?^??_rf。
将所有 ?? 个训练样本的嵌入堆叠后得到:
(25) ?? = [???, ???, …, ??_??]? ∈ ?^(??×??_rf)
其中每一行对应一个训练样本的随机特征表示。校正器的输出权重通过最小化岭正则化最小二乘目标函数获得:
(26) ??* = argmin_?? (‖???? ? ?????‖?2 + λ‖??‖?2)
其中 λ > 0 是正则化超参数,????? = [???????, …, ??_??????]? 堆叠了所有多步预测目标。最优权重具有解析解:
(27) ??* = (????? + λ??)?1????????
其中 ?? 是相应维度的单位矩阵。对于新的样本 ??,经校正的 ?? 步预测为:
(28) ???final? = ????2?? + ??????*
其中加性修正项 ??????* 捕捉了 STR-TCN 和 RFR-TCN 未能完全解决的剩余非线性偏差。该校正层以极低的计算成本引入了具有表达力的非线性修正,通过其解析式训练过程保证了凸优化步骤,并精确针对深度时序网络难以可靠表征的残差模式进行修正。所提出的 HST-RefNet 框架的伪代码见算法 1。
3. 结果与对比
本节报告了 HST-RefNet 在国家级短期负荷预测(STLF)上的结果与对比,使用的是与 NASA POWER 气象网格对齐的巴基斯坦 NTDC 负荷数据。数据集描述部分概述了空间覆盖范围、逐小时采样、预测时距和时间序列划分方式,以在运营场景下开展评估。实验设置在各基线模型间保持优化预算一致,并使用 NRMSE、NMAE、MAPE、WAPE、SMAPE 和 R2 等指标评估预测精度。通过对残差 TCN 阶段和 edRVFL 校正器进行消融实验,结合时距分析和 Wilcoxon 检验,将观察到的性能提升归因于特定组件。
3.1. 数据集描述
为评估所提出的 HST-RefNet 的性能,本研究使用了一个国家级短期负荷预测数据集,该数据集将全国系统需求与网格化气象场相结合。研究从巴基斯坦国家输配电公司(NTDC)获取了汇总后的逐小时负荷数据。NTDC 运营高压输电网络并协调全国大部分地区的发电调度和输送。这一设置能够捕捉全国范围内的需求形成特征,而非局部馈线效应。巴基斯坦提供了一个有价值的测试平台,因为其气候、城市活动和产业结构的区域差异巨大,导致空间异质性驱动因素显著,而低维度的负荷和日历输入难以在全国尺度上准确表征这些特征。
本研究从美国国家航空航天局(NASA)全球能源资源预测(POWER)档案中获取重分析预测因子,该档案基于现代再分析研究与应用系统第 2 版(MERRA-2)。提取的场变量包括:50 米高度风速(WS50M,单位 m/s)、50 米高度风向(WD50M,单位度)、地表气压(PS,单位 kPa)、2 米高度比湿(QV2M,单位 g/kg)以及 2 米高度气温(T2M,单位 °C)。POWER 记录提供本地标准时间(LST)的逐小时数值,其原生空间分辨率约为 0.5°×0.625° 的经纬度网格,与本研究中使用的网格化全国张量一致。本研究在巴基斯坦地理范围内构建了一个与 0.50° POWER 网格对齐的经纬度网格,边界为 LAT_min=23.69、LAT_max=37.13、LON_min=60.87、LON_max=77.84。将边界对齐至 0.50° 网格后,该区域覆盖 29 个纬度点和 36 个经度点,共 1044 个网格单元。本研究通过相同的逐小时时间戳对齐 POWER 特征与 NTDC 负荷数据,然后构建模型输入,将每个负荷窗口与同一时间索引下对应的全国气象张量配对。
对齐后的记录从 2015 年 1 月 1 日 00:00 至 2020 年 5 月 1 日 23:00,共产生 ??=46,752 个逐小时样本。研究采用无重叠的时间序列划分方式:前 80% 的小时数据构成训练集,接下来的 10% 构成验证集,最后 10% 构成测试集。这种设计保留了时序因果关系并限制了后期数据的信息泄露。对于有监督预测,每个样本使用 48 小时气象序列和 48 小时历史负荷窗口来预测接下来的 6 小时。因此,每个划分中有效的时间序列监督样本数计算为 ??_split ? ?? ? ?? + 1,分别为 37,348 个训练样本、4,622 个验证样本和 4,623 个测试样本。不允许任何输入-目标窗口跨越划分边界(见表 1)。
图 2 通过柱状图展示月度平均负荷,并用橙色方差曲线展示从 2015 年至 2020 年逐小时观测值计算得到的方差,以总结季节负荷特征。平均负荷在 2 月达到最低值 9.54 GW,在 7 月达到最高值 16.80 GW,增幅为 75.99%。方差在 9 月达到峰值 6.71 GW2,在 11 月降至最低水平 1.45 GW2。这种季节振幅和月别差异的不确定性支持在全国气象强迫下对层次化时空优化方法进行严格评估。
表 1. 对 ??=46,752 小时完整记录的时间序列划分,以及在 ??=48、??=6 且不跨划分窗口条件下的有效监督样本数。
| 划分 | 占比 | 小时数 | 监督样本数 |
|------|------|--------|------------|
| 训练集 | 80% | 37,401 | 37,348 |
| 验证集 | 10% | 4,675 | 4,622 |
| 测试集 | 10% | 4,676 | 4,623 |
| 总计 | 100% | 46,752 | 46,593 |
3.2. 气象—负荷相关性与特征选择
在训练 HST-RefNet 之前,本研究考察了每个气象预测变量与全国系统需求之间的共变关系。利用公式 (3) 中的网格单元级 Pearson 系数和公式 (4) 中的全国平均统计量,计算了完整对齐记录中逐小时负荷 ??_?? 与各变量(WS50M、WD50M、PS、QV2M、T2M)之间的相关场。随后对各网格单元取平均,得到每个预测变量的单一汇总系数 ??_??。表 2 报告了这些全国平均相关性。
2 米高度气温(T2M)与负荷呈现最强的正相关关系,其次是 2 米高度比湿(QV2M)。地表气压(PS)显示较强的负相关,而风速(WS50M)和风向(WD50M)的相关性则较弱得多。在后续实验中,公式 (5) 中的特征选择阈值设为 ??=0.5,因此 |??_??| ≥ ?? 的变量(T2M、QV2M 和 PS)被保留为气象通道,WS50M 和 WD50M 被舍弃。
表 2. 完整记录中逐小时系统负荷与各气象预测变量之间的全国平均 Pearson 相关系数。
| | T2M (°C) | QV2M (g/kg) | PS (kPa) | WD50M (deg) | WS50M (m/s) |
|---|---|---|---|---|---|
| 平均 Pearson ?? | 0.73 | 0.55 | ?0.61 | 0.09 | 0.07 |
图 3 可视化了保留的三变量的相关场。T2M 和 QV2M 在大部分区域内显示较广泛的正相关,而 PS 在对全国需求贡献较大的区域呈现明显的负相关带。这些空间模式支持在 HST-RefNet 中将气温、湿度和气压作为主要气象驱动因子。
3.3. 实验设置
本研究将对齐后的 NTDC 负荷和 POWER 气象变量整合为统一的时空输入,并在相同的时间序列训练—验证—测试划分下评估 HST-RefNet 和所有基线模型。每个模型均使用过去 ??=48 小时的数据预测未来 ??=6 小时,针对运营级短期预测,同时保持对天气驱动需求快速变化的敏感性。超参数通过树状结构化帕兹估计器(TPE)在每个模型上运行 100 次试验进行优化,具有专用优化方案的方法则保留其原始流程。每个候选模型在训练集上训练,并基于六个预测时距的平均验证 NRMSE 进行排名。搜索范围涵盖架构特定参数,包括隐藏层宽度、层深度、核大小或注意力维度、dropout、学习率、激活函数、随机特征维度和岭正则化,而共同训练方案使用均方误差(MSE)损失、批大小 16、初始学习率 1×10??、自适应学习率调整,以及最多 2000 个 epoch 的早停策略(耐心值 10)。所选配置随后仅在预留测试集上重新训练并评估。所有实验在 NVIDIA RTX 3080 Ti 上运行,表 3 和表 4 分别总结了共同训练设置和超参数搜索空间。
表 3. 除特定方法有专用优化器之外的所有模型的实验设置。
| 项目 | 设置 |
|------|------|
| 输入窗口长度 | ??=48 小时 |
| 预测时距 | ??=6 小时 |
| 超参数搜索 | TPE,每模型 100 次试验 |
| 选择标准 | 六个预测时距的平均验证 NRMSE |
| Epoch 预算 | 2000 |
| 损失函数 | MSE |
| 批大小 | 16 |
| 初始学习率 | 1×10?? |
| 学习率控制 | 自适应调整 |
| 早停 | 耐心值 10 |
| 硬件 | NVIDIA RTX 3080 Ti |
表 4. 超参数搜索空间。
| 模型族 | 超参数 | 搜索值 |
|--------|--------|--------|
| LSTM 类模型 | 隐藏单元数 | {32, 64, 128, 256} |
| | 层数 | {1, 2, 3} |
| | Dropout | {0.0, 0.1, 0.2, 0.3} |
| TCN 类模型(含 STR-TCN 和 RFR-TCN) | 隐藏通道数 | {32, 64, 128, 256} |
| | 层数 | {2, 3, 4, 5} |
| | 核大小 | {2, 3, 5, 7} |
| | Dropout | {0.0, 0.1, 0.2, 0.3} |
| ConvLSTM/CNN-BiLSTM 类模型 | 卷积滤波器数 | {16, 32, 64, 128} |
| | 循环隐藏大小 | {32, 64, 128} |
| | 层数 | {1, 2, 3} |
| | 核大小 | {2, 3, 5} |
| | Dropout | {0.0, 0.1, 0.2, 0.3} |
| Transformer 类模型 | 模型维度 | {64, 128, 256} |
| | 注意力头数 | {2, 4, 8} |
| | 层数 | {1, 2, 3, 4} |
| | 前馈维度 | {128, 256, 512} |
| | Dropout | {0.0, 0.1, 0.2} |
| TimeXer | Patch 长度 | {4, 6, 8, 12, 16, 24} |
| | 模型维度 | {32, 64, 128} |
| | 注意力头数 | {2, 4, 8} |
| | 层数 | {1, 2, 3} |
| | Dropout | {0.0, 0.1, 0.2} |
| S-Mamba | 模型维度 | {32, 64, 128} |
| | 状态维度 | {8, 16, 32} |
| | 层数 | {1, 2, 3} |
| | Dropout | {0.0, 0.1, 0.2} |
| 分解型混合模型 | 模式/分量数 | {3, 4, 5, 6} |
| | 隐藏单元数 | {32, 64, 128} |
| | 层数 | {1, 2, 3} |
| | Dropout | {0.0, 0.1, 0.2, 0.3} |
3.4. 对比指标
为从互补的误差视角评估预测精度,本研究使用六种标准指标评估所有模型:归一化均方根误差(NRMSE)、归一化平均绝对误差(NMAE)、平均绝对百分比误差(MAPE)、加权绝对百分比误差(WAPE)、对称平均绝对百分比误差(SMAPE)和决定系数(??2)。设 ??_?? 和 ???_?? 分别为时刻 ?? 的观测和预测 NTDC 系统负荷,?? 为测试样本数,? 为测试负荷均值:
(29) ? = (1/??) Σ_(??=1→??) ??_??
(30) NRMSE(%) = √(1/?? Σ_(??=1→??) (??_?? ? ???_??)2) / ? × 100
(31) NMAE(%) = (1/?? Σ_(??=1→??) |??_?? ? ???_??|) / ? × 100
(32) MAPE(%) = (100/??) Σ_(??=1→??) |??_?? ? ???_??| / ??_??
(33) WAPE(%) = 100 × Σ_(??=1→??) |??_?? ? ???_??| / Σ_(??=1→??) |??_??|
(34) SMAPE(%) = (100/??) Σ_(??=1→??) 2|??_?? ? ???_??| / (|??_??| + |???_??|)
(35) ??2 = 1 ? Σ_(??=1→??) (??_?? ? ???_??)2 / Σ_(??=1→??) (??_?? ? ?)2
NRMSE 和 NMAE 量化了归一化误差幅度,其中 NRMSE 更强调较大偏差,而 MAPE、WAPE 和 SMAPE 在不同归一化下表征相对预测误差。??2 衡量预测解释测试集负荷变异的比例。误差值越低、??2 越高,表明预测性能越强。
3.5. 消融实验
本消融实验隔离了 HST-RefNet 主要架构阶段在前六个预测时距上的贡献。具体而言,本研究评估了独立的第一阶段预测器、独立的深度随机特征基线、两种部分组装所提框架的中间变体以及完整的 HST-RefNet。其中,STR-TCN 指代所提出架构中使用的第一阶段时空表征 TCN;STR-TCN + RFR-TCN 指代不含最终校正器的层次残差优化变体;STR-TCN + edRFC 指代第一阶段预测器后直接接嵌入式深度随机特征校正器、不含残差优化阶段的变体。该设计分离了主要时空表征、残差优化阶段和最终解析式校正阶段各自的效果。
表 5 总结了消融实验结果。相对于 STR-TCN,加入残差优化阶段后,NRMSE 从 8.81% 降至 6.23%,MAPE 从 7.56% 降至 6.67%,SMAPE 从 7.45% 降至 6.94%,??2 从 0.72 提升至 0.84。尽管该变体中 NMAE 和 WAPE 略有上升,但 NRMSE 和 ??2 的明显改善表明残差优化阶段在修正较大且较难的误差方面尤为有效。当 STR-TCN 后直接接 edRFC 模块时,模型在所有报告的指标上均取得更广泛的提升,NRMSE 降至 5.84%,NMAE 和 WAPE 降至 6.15%,MAPE 降至 5.91%,??2 提升至 0.85。
完整版本的 HST-RefNet 取得了最强的整体性能,NRMSE 为 5.00%,NMAE 和 WAPE 为 3.94%,MAPE 为 4.02%,SMAPE 为 4.02%,R2 为 0.91。这些结果共同表明,残差细化阶段和闭式校准阶段各自贡献了互补性的增益,而两者的结合则带来了最准确、最平衡的预测性能。
表5. 6小时预测时长的消融实验。
| 指标 | STR-TCN | EDRSTR-TCN | STR-TCN + RFR-TCN | STR-TCN + edRFC | HST-RefNet |
|------|---------|------------|-------------------|-----------------|------------|
| NRMSE (%) ↓ | 8.81 | 9.36 | 6.23 | 5.84 | 5.00 |
| NMAE (%) ↓ | 7.21 | 7.47 | 7.32 | 6.15 | 3.94 |
| MAPE (%) ↓ | 7.56 | 7.89 | 6.67 | 5.91 | 4.02 |
| WAPE (%) ↓ | 7.21 | 7.47 | 7.32 | 6.15 | 3.94 |
| SMAPE (%) ↓ | 7.45 | 7.65 | 6.94 | 6.73 | 4.02 |
| R2 ↑ | 0.72 | 0.68 | 0.84 | 0.85 | 0.91 |
3.6. 与前沿方法的比较
本研究将 HST-RefNet 与近期提出的以及广泛使用的深度学习时间序列预测基线模型进行了比较。所有模型均按照实验设置中使用 TPE 进行 100 次试验进行优化,然后将选定的超参数用于训练各模型,再报告测试集性能。表5和表6中的所有结果均是在与 HST-RefNet 相同的时序划分(训练/验证/测试)协议和 TPE 搜索预算下,在本基准上运行各方法得到的。为量化气象输入的影响,包括 LSTM、TCN、TimeXer(TMX)[45] 和 S-Mamba(SMB)[46] 在内的标准预测器在两种设置下进行训练。LO 设置仅使用历史负荷输入,LM 设置则同时使用历史负荷和格点气象张量;但对于 TMX 和 SMB,其 LM 设置改为提供三个保留的国家平均气象协变量作为外生输入,与负荷序列并列使用,这与这些架构被设计用于消费少量不同变量而非未经区分的网格的方式一致。在仅使用负荷的设置下,VMD-BiLSTM-LO(VBL-LO)[47]、EMD-SE-LO(ESE-LO)[29] 和 ITF-LO [22] 均仅使用负荷输入进行训练。能够利用结构化气象场的时间-空间基线模型,包括 ConvLSTM-LM(CLS-LM)[48]、IDBO-CNN-BiLSTM(ICB)[49] 和 CoReSTL-LM(CRS-LM)[50],均以 LM 输入进行训练,以匹配其预期的运行模式。该比较协议旨在区分通用序列模型与专为结构化时空输入设计的架构。因此,LSTM、TCN、TMX 和 SMB 在仅使用负荷和负荷加气象两种设置下均进行评估,以测试对于这些标准架构而言,直接增加气象信息是否足够;而 CLS-LM 和 CRS-LM 作为专为高维结构化预测设计的专用时空基线被纳入比较。因此,HST-RefNet 所报告的增益不仅推断自通用的基于拼接的基线模型,也来自与专为高维时空输入设计架构的模型的比较。
表6总结了6小时时段的平均精度。HST-RefNet 取得了最佳的整体性能,在 NRMSE、NMAE、MAPE、WAPE 和 SMAPE 方面均为最低,R2 为最高。CLS-LM 是最强的基线模型,因为它通过卷积门控和循环状态更新直接建模时空依赖关系,这使其能够有效聚合高维气象网格。其平均 NRMSE 为 5.38%,R2 为 0.89,超过了 ICB 和 CRS-LM 等其他支持气象输入的基线模型,这表明在该全国性设置中,显式的时空结构至关重要。在两种设置下均评估的标准预测器中,SMB 和 TMX 取得了最强的结果:SMB-LO 和 SMB-LM 的 NRMSE 均达到 5.62%(R2 为 0.88),TMX-LM 达到 5.92% 和 0.87。这些结果仍落后于 HST-RefNet 和 CLS-LM,但优于所有其他通用基线模型,表明采用紧凑外生变量设计的最新专用预测架构缩小了与专用时空模型的差距。HST-RefNet 在最佳竞争对手的基础上实现了进一步改进,将 NRMSE 降至 5.00%——相对于 CLS-LM 下降了 7.09%,并将 R2 提升至 0.91。这些增益与引言中所述挑战相呼应。分层残差细化针对单阶段模型难以拟合的困难运行工况,而基于 TCN 的表示则避免了在长而多样的全国性驱动因素下可能削弱循环模型的状态压缩局限性。嵌入的深层随机特征校准器进一步通过稳定的闭式调整校正残差非线性,在不增加大量推理成本的情况下增强了短时精度。
表6. 前6个时段的平均性能。
| 指标 | LM | LO | | | | | | | | | | | | | HST-RefNet |
|------|----|----|----|----|----|----|----|----|----|----|----|----|----|----|------|
| | HST-RefNet | CLS [48] | CRS [50] | ICB [49] | LSTM [51] | SMB [46] | TCN [52] | TMX [45] | ESE [29] | ITF [22] | LSTM [51] | SMB [46] | TCN [52] | TMX [45] | VBL [47] | |
| NRMSE (%) ↓ | 5.38 | 8.34 | 6.61 | 12.43 | 5.62 | 8.81 | 5.92 | 6.70 | 12.44 | 6.97 | 5.62 | 6.33 | 6.13 | 13.83 | 5.00 | |
| NMAE (%) ↓ | 4.19 | 6.92 | 5.29 | 10.05 | 4.45 | 7.21 | 4.62 | 5.34 | 9.90 | 5.56 | 4.37 | 5.05 | 4.88 | 11.69 | 3.94 | |
| MAPE (%) ↓ | 4.29 | 7.34 | 5.56 | 10.15 | 4.48 | 7.56 | 4.66 | 5.53 | 10.77 | 5.69 | 4.52 | 5.28 | 5.10 | 12.50 | 4.02 | |
| WAPE (%) ↓ | 4.19 | 6.92 | 5.29 | 10.05 | 4.45 | 7.21 | 4.62 | 5.34 | 9.90 | 5.56 | 4.37 | 5.05 | 4.88 | 11.69 | 3.94 | |
| SMAPE (%) ↓ | 4.28 | 7.18 | 5.48 | 10.42 | 4.52 | 7.45 | 4.71 | 5.52 | 10.44 | 5.68 | 4.46 | 5.23 | 5.04 | 12.15 | 4.02 | |
| R2 ↑ | 0.89 | 0.74 | 0.84 | 0.44 | 0.88 | 0.72 | 0.87 | 0.83 | 0.39 | 0.82 | 0.88 | 0.85 | 0.86 | 0.25 | 0.91 | |
LO 与 LM 配对结果呈现出一致的模式,这也支持了上述解释。添加气象输入会降低 LSTM 和 TCN 的性能。从 LO 切换到 LM 时,LSTM 的 NRMSE 从 6.97% 上升到 12.43%,TCN 的 NRMSE 从 6.33% 上升到 8.81%。这一结果表明,当架构缺乏显式机制来提取和压缩空间信号时,直接拼接大型气象张量可能引入噪声或稀释关键的时序结构。TMX 和 SMB 未出现这种退化现象:TMX-LM 优于 TMX-LO,而 SMB-LM 和 SMB-LO 表现基本持平,这与上述提到的它们紧凑的外生变量设计一致。相比之下,CLS-LM 保持竞争力,因为其卷积循环机制能够学习结构化的时空特征。HST-RefNet 通过增加分阶段残差学习和闭式校准进一步增强了这一能力,在所有报告的指标上实现了最为一致的错误降低。图4展示了逐小时对比,表明 HST-RefNet 在所有6个时段中均保持最佳性能,这支持了其在全局气象强迫下适用于全国规模短期负荷预测的适用性。
下载:下载高分辨率图像(839KB)
下载:下载全尺寸图像
图4. 所有模型在前6个时段的逐小时对比。
3.7. 统计显著性
本研究通过 Wilcoxon 符号秩检验验证 HST-RefNet 相对于竞争方法的优势是否具有统计一致性。我们将该检验应用于从测试集计算出的批级指标分布,针对 NRMSE、NMAE、MAPE、WAPE、SMAPE 和 R2 进行评估。设 y_t 表示时间 t 的真实系统负荷,?_t 表示预测负荷。我们从测试样本中构建批次,对前6个时段的 y_t 和 ?_t 值进行聚合以计算每个批次的各项指标,然后在这些配对的批次值上将 HST-RefNet 与每个基线模型进行比较。为确保跨模型的有效配对,我们通过匹配相应的真实值序列来对齐测试样本。我们报告 Holm 校正后的 p 值以控制多重比较。
表7显示,所有校正后的 p 值在所有指标上均远低于 0.05,包括相对于最强基线 CLS-LM 的比较。这些结果支持 HST-RefNet 相对于所有比较方法取得了统计上显著的提升(见图5)。
表7. HST-RefNet 与其他模型的 Wilcoxon 符号秩检验。
| 指标 (p) | LM | | | | | | | | | | | | | | LO |
|----------|----|----|----|----|----|----|----|----|----|----|----|----|----|----|----|
| | CLS [48] | CRS [50] | ICB [49] | LSTM [51] | SMB [46] | TCN [52] | TMX [45] | ESE [29] | ITF [22] | LSTM [51] | SMB [46] | TCN [52] | TMX [45] | VBL [47] | |
| NRMSE | 2.46e?10 | 8.79e?60 | 1.54e?41 | 2.92e?63 | 1.83e?24 | 3.07e?62 | 1.57e?29 | 5.25e?55 | 3.44e?62 | 3.24e?57 | 1.80e?17 | 4.59e?49 | 5.08e?39 | 2.30e?63 | |
| NMAE | 2.07e?06 | 7.10e?58 | 8.18e?40 | 4.44e?63 | 1.13e?21 | 1.45e?61 | 7.19e?24 | 4.00e?52 | 8.81e?62 | 6.88e?55 | 3.09e?13 | 7.91e?47 | 3.08e?37 | 1.70e?63 | |
| MAPE | 3.09e?06 | 2.08e?59 | 1.63e?41 | 3.83e?63 | 2.86e?17 | 4.51e?62 | 4.78e?20 | 1.54e?52 | 5.50e?62 | 1.02e?54 | 2.29e?15 | 4.95e?49 | 4.98e?40 | 1.65e?63 | |
| WAPE | 2.07e?06 | 7.10e?58 | 8.18e?40 | 4.44e?63 | 1.13e?21 | 1.45e?61 | 7.19e?24 | 4.00e?52 | 8.81e?62 | 6.88e?55 | 3.09e?13 | 7.91e?47 | 3.08e?37 | 1.70e?63 | |
| SMAPE | 5.65e?06 | 1.80e?58 | 3.02e?40 | 4.04e?63 | 6.61e?19 | 9.64e?62 | 1.20e?21 | 4.94e?52 | 6.83e?62 | 2.71e?54 | 7.05e?13 | 6.57e?48 | 1.34e?38 | 1.81e?63 | |
| R2 | 2.51e?09 | 5.32e?57 | 5.36e?36 | 1.13e?62 | 6.39e?22 | 8.27e?61 | 5.73e?20 | 3.58e?43 | 6.55e?61 | 2.51e?51 | 5.57e?11 | 5.52e?37 | 3.00e?30 | 2.21e?62 | |
下载:下载高分辨率图像(872KB)
下载:下载全尺寸图像
图5. HST-RefNet 与所有基线模型在六个指标上的批级 Wilcoxon 显著性检验(Holm 校正 p 值)。
3.8. 局限性与实际部署影响
尽管 HST-RefNet 展现出强大的实证性能,但仍有几点局限性需要指出。首先,当前的输入设计未包含显式的日历或事件协变量,例如小时时段、工作日/周末、节假日或节日指示符。在当前的短时预测设置下,日内结构和近期日类型的大部分信息被48小时的历史负荷窗口隐式捕获,而季节模式信息则由近期负荷轨迹和全国气象场共同表示。然而,与节假日、节日或突发社会中断相关的罕见行为变化可能仍未得到充分表示,这可能会限制模型在这些工况下的性能。其次,评估是在巴基斯坦单一全国性数据集上进行的,且使用固定的气象网格分辨率,因此所报告增益在其他国家、市场结构和空间分辨率下的普适性仍有待验证。第三,本研究使用对齐后的 NASA POWER 气象数据作为天气输入源,而实际部署可能依赖于运行预报产品,其不确定性可能会传播至负荷预测中。
从实际部署角度来看,所提出的框架仍然具有吸引力,因为它使用的输入是常规可用的——即近期系统负荷和格点气象数据——并且避免了繁重的分解预处理。STR-TCN 和 RFR-TCN 阶段支持高效的并行推理,嵌入的 edRFC 层增加了轻量级的闭式校准步骤,附加计算成本低。这些特性使 HST-RefNet 适用于短时全国或大面积调度支持,前提是能够维护稳定的气象数据管线并定期进行重新训练或再校准。在实际使用中,还可以将显式的日历和事件指示符作为扩展纳入,以进一步增强特殊需求期间的鲁棒性。
4. 结论
本研究提出了分层时空细化网络(HST-RefNet),用于全国规模的短期负荷预测。该方法将巴基斯坦全国范围的格点气象场与历史 NTDC 需求相结合,通过分阶段时序卷积和轻量级闭式校准将预测值 y_t 精炼为 ?_t。结果表明,与强大的时空基线和仅使用负荷的基线相比,分层残差设计和嵌入的深层随机特征校正共同提升了 NRMSE、NMAE、MAPE、WAPE、SMAPE 和 R2 各项指标的精度,且经过 Holm 校正的批级 Wilcoxon 符号秩检验证实了增益具有统计一致性。然而,评估仅限于巴基斯坦单一数据集和固定网格分辨率,因此所提出架构在其他国家、市场结构、气候模式和空间分辨率下的普适性仍有待确立,特别是由于规模相当的负荷-气象配对数据集仍然稀缺。未来工作将扩展到多国和多分辨率设置进行验证,包括概率预测和迁移学习变体,以测试在更广泛运行条件下的鲁棒性。
Izaz Ul Haq | Fang Liu | Denis Sidorov | Suzhen Huang | Laeeq Aslam
中央理工大学 自动化学院,中国湖南长沙,410083