基于改进长短期记忆模型并考虑可再生能源不确定性的电力系统状态预测方法

《Engineering Applications of Artificial Intelligence》：Power System state prediction method based on improved long short-term memory considering renewable energy uncertainty

　　岳宇|周启涵|王悦|卢涛|范子奇
中国山东省济南市山东省电力系统智能调度控制教育部重点实验室，250061

**摘要**
为应对高比例可再生能源并网带来的多维度不确定性问题，本文提出一种基于改进长短期记忆网络且考虑可再生能源不确定性的电力系统状态预测方法。首先，以深度双向长短期记忆神经网络作为贝叶斯框架的基础，通过后验推断捕捉配电网中的不确定性。其次，为解决改进后的深度双向长短期记忆网络在特征提取方面的局限性，引入注意力机制，构建全局注意力长短期记忆模型，以增强输入特征与目标特征之间的关联。最后，提出一种新的状态预测方法，利用全局注意力长短期记忆模型预测动态状态变量，实现模型不确定性与随机不确定性的整体建模与量化。通过在IEEE 69节点标准测试系统上的仿真验证，该方法能够有效捕捉两类不确定性，并实现高精度的状态预测，为状态预测领域提供了新的可行方案。

**引言**
随着全球气候变化缓解措施的不断深入，电力系统中可再生能源的比例持续上升，成为现代电力系统建设的重要基础（Jin等人，2025）。然而，与传统火电单元稳定可控的发电特性相比，可再生能源的功率输出极易受气象条件影响，具有明显的随机性和波动性，这使得电力系统的运行日益复杂（Gharehveran等人，2025a）。包括电压和功率在内的系统状态变量表现出更显著的时间变化特性和不确定性，给电网的安全稳定运行带来了前所未有的挑战（Kang等人，2023）。

在大规模可再生能源并网的背景下，电力系统状态预测技术作为维持电网安全稳定运行的重要支撑，其重要性日益凸显（Zhou等人，2023）。准确的状态预测不仅是实时电网监控、调度优化和故障诊断的技术基础，也是应对可再生能源不确定性影响、确保电网安全经济运行的关键手段。通过精确预测系统未来的运行趋势，调度人员可以及时识别潜在的安全隐患，优化运行策略，提升应急响应能力，从而有效保障电网的安全稳定运行，为构建智能化、可靠化的电力系统发挥不可替代的作用（Lai等人，2025）。

传统的电力系统状态预测方法主要包括多元线性回归分析、分位数回归分析和卡尔曼滤波方法（Yu等人；Yang等人，2023；Nguyen等人，2025）。多元线性回归分析通过建立系统状态变量与气象因素等影响因素之间的线性或多项式回归关系，运用统计原理进行预测建模（Yu等人）。分位数回归分析则估计因变量在不同分位数点处的条件分布，为预测提供区间信息，实现不确定性量化（Yang等人，2023）。卡尔曼滤波方法通过状态空间模型描述系统的动态演化过程，结合观测方程处理测量噪声，并采用递归估计算法实现状态预测。这些方法具有实现简单、结果可解释性强的优点（Nguyen等人，2025）。然而，传统电力系统状态预测方法的非线性建模能力有限，在面对高维系统状态变量时表现不佳。此外，传统方法在处理长期序列依赖关系和捕捉系统动态演化规律方面存在明显缺陷，在中长期预测中容易出现误差累积和精度下降的问题（EPESa）。

因此，基于机器学习的方法逐渐成为电力系统状态预测领域的研究热点（Alfieri和De Falco，2020）。参考文献（Kim等人，2021）提出了一种基于随机森林的电力系统状态预测方法，通过整合多个决策树模型提升了模型预测精度。在参考文献（EPESb）和（Makanju等人，2024）中，长短期记忆网络及其变体被用于电力系统状态预测，通过门控机制有效处理长序列依赖关系，在考虑可再生能源波动性的状态预测中表现出优异性能。机器学习方法凭借其强大的非线性映射能力和数据驱动特性，能够更好地适应新型电力系统的复杂性和不确定性挑战（Sun等人，2020）。这些方法不依赖于精确的数学模型或先验假设，而是通过从海量历史数据中自动学习和提取关键特征来构建预测模型，从而发现传统方法难以捕捉的隐含模式，为电力系统状态预测提供更高效、更精确的技术支持（Gharehveran等人，2025b）。

值得注意的是，尽管双向长短期记忆网络和深度双向长短期记忆神经网络通过双向时间特征提取缓解了长序列依赖问题（EPESb；Makanju等人，2024），但在新型电力系统中高比例可再生能源的场景下，它们的特征提取能力仍存在显著局限。这一局限主要体现在：深度双向长短期记忆网络倾向于对全局序列中不同时空特征的权重分配进行平均化处理，难以动态聚焦于决定系统状态演化的关键特征。然而，由于可再生能源输出和负荷需求的强间歇性（Gharehveran等人，2025a），系统状态变量的变化在少数关键时刻高度依赖于输入特征。这些特征容易被大量冗余信息稀释，导致模型对状态变化的敏感度不足。

全局注意力机制的引入正是为了解决这一问题。其核心优势在于能够根据全局序列信息调整每个时间步隐藏层输出的权重，量化输入特征与目标状态变量之间的关联强度，从而增强关键特征的贡献，抑制无效信息的干扰。以高光伏渗透率为例，当中午光照强度突然发生变化时，深度双向长短期记忆网络仅通过时间序列数据的双向遍历来提取特征，不会对突变时刻的光照强度、光伏输出及相关负荷数据赋予不同的权重，因此可能无法捕捉到这种短期强烈扰动与后续电压波动之间的强相关性，从而导致预测偏差。相比之下，全局注意力机制能够计算该突变特征与电压变化之间的全局相关性，准确锁定这一关键影响因素，提升状态预测的可靠性。

然而，现有方法在不确定性建模方面存在不足。在新型电力系统中，不确定性可分为两类：随机不确定性和认知不确定性。随机不确定性主要指预测目标本身的固有波动特性，受气候变化和间歇性发电资源等因素影响；认知不确定性则源于模型构建的缺陷，包括架构不匹配和参数不合理等问题。这两类不确定性相互作用，共同影响电力系统状态预测的准确性（Saeedi等人，2025）。现有的研究方法无法同时考虑随机不确定性和认知不确定性，从而导致预测误差，也无法为调度决策提供足够的风险量化信息。

在“高比例可再生能源、源网荷储深度互动以及电力电子特性突出”这一新型电力系统的核心背景下（Samadi等人，2025），电网调度的核心目标已从传统的“安全保障”转变为“安全-经济-灵活性”的多目标协同优化。调度人员的决策行为直接依赖于对未来系统状态的准确感知和风险预测。两类不确定性的耦合效应会显著放大决策风险。因此，同时捕捉随机不确定性和认知不确定性并非调度人员的技术细节优化问题，而是确保系统运行韧性、实现科学决策的核心前提。具体而言，忽视任何一类不确定性都会带来特定的运营风险：

1）忽视随机不确定性的风险。随机不确定性源于可再生能源输出的气象依赖性和负荷的随机性等固有特性（Samadi等人，2025），本质上是一种不可避免的随机波动。在新型电力系统中，高比例的可再生能源导致系统惯性显著降低，对功率失衡的容忍度大幅下降（Gharehveran等人，2025a）。如果忽视这类不确定性，调度人员基于确定性预测制定的发电计划将出现无法控制的偏差：一方面，会导致实时功率失衡，使系统频率或电压超出安全阈值，触发自动减载或机组停机等紧急控制措施；另一方面，会导致备用容量分配不足或过剩——不足则无法应对突发波动，过剩则会增加火电调峰成本，违背经济运行原则（Saeedi等人，2025）。

2）忽视认知不确定性的风险。认知不确定性源于模型构建缺陷，如模型结构不匹配、参数优化不足以及输入特征选择不合理等（Liang等人，2023），本质上是一种可以通过模型改进逐步缩小的知识缺口。在新型电力系统中，源网荷的强耦合以及多时空尺度上的波动大大增加了预测模型的复杂性，进一步放大了认知不确定性。如果忽视这类不确定性，调度人员将无法确定预测结果的置信边界：当模型存在较大认知误差时，过度依赖单一预测值可能导致“激进且鲁莽”的决策，引发设备过载或电压崩溃的风险；相反，采取“保守冗余”策略以避免未知风险，则会导致可再生能源被削减，增加调度成本（Park等人，2024）。更重要的是，认知不确定性的隐蔽性会阻碍调度人员找到错误根源，进而形成“预测不准确-决策不当”的长期恶性循环，限制新型电力系统的灵活调控能力。

总之，同时捕捉这两类不确定性能为调度人员提供包含预测期望值和不确定性边界的全面决策信息，明确未来系统状态的高概率区间，并量化固有波动和模型误差各自的贡献。这有助于针对可再生能源的随机性合理配置备用容量，有针对性地改进模型的认知缺陷，最终在安全约束下实现经济运行，为新型电力系统调度从“经验驱动”向“数据-风险双驱动”转型提供核心技术支持（Lai等人，2025）。

为解决上述问题，本文提出一种基于改进长短期记忆网络且考虑可再生能源不确定性的电力系统状态预测方法。其主要贡献如下：

首先，创新性地以深度双向长短期记忆网络作为贝叶斯框架的基础，针对配电网状态变量的时空耦合特性进行针对性设计。通过后验推断和双向信息整合机制，全面捕捉配电网中的不确定性因素，解决了现有基于长短期记忆网络的框架大多侧重于可再生能源发电或负荷预测，而非针对配电网状态变量进行建模的问题。

其次，为克服深度双向长短期记忆网络在捕捉配电网状态突然变化时特征提取能力不足的缺陷，在隐藏层与密集层之间引入注意力机制，构建全局注意力长短期记忆模型。与仅能全局增强特征权重的普通注意力长短期记忆网络组合不同，该模型能够根据配电网关键状态突变与历史特征之间的关联动态调整注意力分配，提高对关键状态变化的敏感度，填补了现有方法未能关注配电网特定突发扰动特征的研究空白。

第三，提出一种基于全局注意力长短期记忆模型的新状态预测方法，实现模型不确定性与随机不确定性的同时捕捉与精细量化。与现有方法要么忽视其中一类不确定性，要么仅提供简单的区间预测不同，该方法结合贝叶斯框架生成具有明确置信边界的概率预测结果，并通过实验验证了其在突发拓扑变化下的稳健性。该方法解决了现有配电网状态预测方法存在的核心问题，即缺乏全面的不确定性量化能力，也无法应对突发情况。本文的后续章节安排如下：第二部分从偶然不确定性和模型不确定性两个维度，系统分析了电力系统中不确定性的来源及其核心影响。第三部分构建了一种结合双向LSTM与贝叶斯框架的GLSTM模型，重点设计了一种全局注意力机制，以提升关键特征的提取能力；第四部分详细阐述了考虑这两种不确定性因素的电力系统状态预测实现过程。第五部分通过IEEE 69节点系统及多场景数据集，验证了该模型的预测精度、鲁棒性及泛化能力。第六部分总结了研究成果，明确了该模型的适用范围，并提出了未来的研究方向。

偶然不确定性，也称为随机不确定性，源于预测对象本身的波动特性，包括发电侧和负荷侧的随机波动，这些波动受气候变化、间歇性发电资源的不可预测性以及非周期性人类活动等多种因素的影响（Mathpati等人，2024年）。在实际的配电网应用场景中，这类不确定性表现为具体且频繁的干扰。LSTM是一种能够有效捕捉长距离依赖关系的循环神经网络结构，但传统LSTM模型仅依靠单一时间序列表征来提取特征，因此容易忽略重要信息。为克服这一缺陷，研究人员提出了双向长短期记忆网络（Bi-LSTM）（Zhang等人，2025年）。该模型在其结构中构建了两个并行子网络，即正向LSTM和反向LSTM，用于特征提取。

在电力系统中，较高的模型不确定性意味着预测结果的可靠性较低，从而导致电网调度和资源分配出现偏差。而不断增加的偶然不确定性则会降低预测精度，进一步威胁电网运行的稳定性。因此，本文采用GLSTM模型对模型不确定性和偶然不确定性进行整体建模与量化，以提高电力系统状态预测的准确性。

本案例研究选择的基准网络是IEEE 69节点标准测试系统，其网络拓扑结构如图6所示，测量配置则见表1。在后续的案例研究中，所使用的数据来源于澳大利亚配电网中的真实智能电表，这些数据涵盖了悉尼及新南威尔士州的部分主要负荷中心地区（Singh等人，2024年），时间跨度为2015年7月1日至2016年6月30日，共计12个月。

为解决可再生能源并入电力系统所带来的不确定性问题，本文提出了一种新的状态预测方法。该方法利用GLSTM模型同时捕捉模型不确定性和偶然不确定性，并通过评估系统动态状态预测结果，直观体现其不确定性捕获效果。基于IEEE 69节点标准测试系统的实验验证得出了以下结论：

（1）本文进行了……

CRediT作者贡献声明：
余悦：撰写——初稿、正式分析、数据整理、概念构思。周启涵：资源提供、方法设计、研究实施、概念构思。王悦：软件工具、方法设计、研究实施。卢涛：撰写——审阅与编辑、可视化处理、验证、监督工作。范子奇：可视化处理、验证、监督工作、项目管理。

利益冲突声明：
所有作者均声明不存在任何可能影响本文研究工作的已知财务利益或个人关系。