《Inventions》：Annual Load Scenario Generation Using a Hybrid STL and Improved DDPM Approach
Heran Kang,
Hongyang Liu,
Jianfei Liu,
Ruichen Hao,
Xiang Wang,
Wenbo Hu,
Jie Chen,
Wei Yue,
Haibo Li and
Zongxiang Lu
编辑推荐：
摘要：针对传统负荷情景生成方法难以捕捉复杂非线性时序特征及缺乏类型可控性的问题，研究人员提出一种基于改进Seasonal-Trend decomposition using Loess (STL) 与条件Denoising Diffusion Probabil
摘要：针对传统负荷情景生成方法难以捕捉复杂非线性时序特征及缺乏类型可控性的问题，研究人员提出一种基于改进Seasonal-Trend decomposition using Loess (STL) 与条件Denoising Diffusion Probabilistic Model (c-DDPM) 的短期电力负荷情景生成方法。首先采用加权邻域局部回归(weighted local regression) 对年负荷序列进行STL分解，分离趋势(Tt)、季节(St)与残差(Rt)分量；将残差叠加至去均值季节分量后经Loess平滑更新季节成分，迭代至收敛。随后以分解所得分量重构训练样本并按日类型（工作日、周末、节假日）标注条件类别标签c，输入条件扩散模型进行学习。前向扩散过程按q(xt|xt-1)=N(√(1-βt)xt-1, βtI)逐步加噪，反向去噪过程由神经网络μθ(xt, t, c)预测去噪均值以建模pθ(xt-1|xt, c)=N(xt-1; μθ(xt, t, c), Σt)。生成阶段以随机高斯噪声与指定日类型标签为条件，通过反向采样输出符合目标统计特性的多元日负荷曲线。实例验证表明，该方法生成的负荷情景在时序相关性、峰谷形态及季节性波动上与真实数据集吻合更优，且可通过条件标签实现可控的类型定向生成。
论文解读：
【研究背景与意义】
传统电力短期负荷情景生成常依赖ARIMA、马尔可夫链或普通GAN，前者难以拟合强非线性与多周期耦合特性，后者存在模式崩塌与缺乏类别可控性等问题。实际配电网调度需区分工作日、周末与节假日负荷形态差异进行概率性场景分析，现有方法难以同时满足高精度时序还原与条件可控生成。为此研究人员在《Inventions》发表该文，提出融合经典时间序列分解与现代扩散生成模型的混合框架，旨在提升负荷情景的统计保真度并实现按日类型的条件生成，为随机调度与风险评估提供可靠输入。
【关键技术方法】
研究人员采用实际年度电力负荷历史数据(样本队列含逐时记录并按日历属性标注)，主要技术流程为：(1) 改进STL(Seasonal-Trend decomposition using Loess)分解——以加权邻域回归拟合趋势Tt，原始值Yt减Tt得去趋势序列，按周期位置重组子矩阵后对各周期同位点做Loess平滑提取季节St(new)，残差Rt=Yt-Tt-St(old)，迭代更新至收敛；(2) 趋势外推求基准点T(t0)，残差加回季节分量形成含噪声季节成分重排为训练样本；(3) DDPM(Denoising Diffusion Probabilistic Model)前向过程按xt=√(1-βt)xt-1+√βtεt注入高斯噪声至纯噪，反向过程由U-Net类神经网络参数化μθ(xt, t, c)预测去噪均值，条件变量c∈{weekday, weekend, holiday}控制生成日类型；(4) 损失函数为简化变分下界即预测噪声与真实噪声的均方误差Lsimple=Et,x0,ε[‖ε-εθ(√α￣tx0+√(1-α￣t)ε, t, c)‖2]；(5) 生成时从N(0,I)采样并指定c经T步反向迭代输出日负荷向量，叠回对应日期趋势与平均季节值重构完整负荷曲线。
【研究结果】
2.1.1. Improved STL Decomposition
研究人员对传统STL做两点改进：内循环中对同周期相位的子序列单独做Loess平滑而非整体拟合，增强对变幅季节波动适应性；加入残差反馈机制反复修正季节项St(m+1)直至‖St(m+1)-St(m)‖2小于阈值或达最大迭代。实验显示改进STL较标准STL降低残差自相关，季节分量更接近真实周期模式，为后续生成模型提供更干净训练基底。
2.1.2. Improved DDPM(Conditional DDPM)
为赋予类型可控性，研究人员在反向过程引入条件嵌入c，修改转移概率为pθ(xt-1|xt, c)=N(xt-1; μθ(xt, t, c), Σt)。网络在时间步嵌入与条件标签c联合作用下预测噪声εθ，训练目标不变。消融对比证实加入c后生成曲线在峰值时序与形状上显著匹配对应日类真实分布，消除无类别约束时的形态混叠现象。
【讨论与结论】
研究人员通过改进STL预分解削弱非平稳性并隔离周期模式，再借条件DDPM捕获残差高阶依赖与随机波动，克服传统参数模型与GAN局限。实证结果表明：(1) 改进STL有效提取变幅季节分量并压低残差异方差；(2) c-DDPM生成的多条日负荷情景在自相关函数(ACF)、偏自相关(PACF)、峰值误差及Kullback-Leibler散度上均优于ARIMA与WGAN-GP基线；(3) 条件标签c使研究人员可按需定向生成工作日/周末/节假日典型或极端场景，满足调度部门差异化概率场景需求。该混合框架兼顾经典时序分析可解释性与深度学习生成能力，为电力负荷概率预测、风险场景集构建提供了新思路，具工程应用价值。
