《Energies》：Short-Term Power Load Forecasting Based on IPKO-TCN-BiGRU: Experimental Validation on U.S. Residential and Chinese Competition Electricity Load Datasets
编辑推荐：
短期电力负荷预测是现代电力系统安全运行和优化调度的基础。本研究提出了一种改进翠鸟优化算法—时序卷积网络—双向门控循环单元（Improved Pied Kingfisher Optimization–Temporal Convolutional Network–
短期电力负荷预测是现代电力系统安全运行和优化调度的基础。本研究提出了一种改进翠鸟优化算法—时序卷积网络—双向门控循环单元（Improved Pied Kingfisher Optimization–Temporal Convolutional Network–Bidirectional Gated Recurrent Unit, IPKO-TCN-BiGRU）模型，以应对负荷时间序列中强非平稳性、高随机性和多因素耦合的挑战。该模型采用多尺度时序卷积网络（TCN）同时提取局部和全局时间特征，结合改进自注意力（Improved Self-Attention, ISA）机制增强的双向门控循环单元（BiGRU）进行双向依赖建模，并结合自回归（Autoregressive, AR）模块与选举机制共同捕捉线性和非线性负荷分量。改进翠鸟优化（IPKO）算法融合了SPM混沌初始化、行星优化策略和自适应t分布扰动，用于全局优化关键超参数，展现出优于原始PKO和其他基准优化器的收敛精度和全局搜索能力。为确保评估完整性，所有归一化操作前均进行数据集划分，StandardScaler仅在训练集上拟合，并应用于测试集以防止数据泄露。研究在两个基准数据集上进行验证：美国居民电力负荷数据集（小时级，2012年，包含暖通空调和照明系统等13维特征）和中国电工数学建模竞赛数据集（15分钟间隔，三年，包含五个气象变量）。美国数据集呈现明显的年度双峰季节性模式，而中国数据集则表现出与温度和湿度显著耦合的强烈日内波动，两者均构成了巨大的预测挑战。在美国数据集上，所提模型实现了平均绝对误差（Mean Absolute Error, MAE）= 0.0190 kW、均方根误差（Root Mean Square Error, RMSE）= 0.0301 kW、平均绝对百分比误差（Mean Absolute Percentage Error, MAPE）= 1.7673%和决定系数（Coefficient of Determination, R2）= 0.9947；在中国数据集上，实现了MAE = 79.8125 MW、RMSE = 109.4154 MW、MAPE = 1.1124%和R2 = 0.9955。所提模型始终优于六种主流基线模型（包括Transformer、Autoformer和FEDformer），在两个数据集上分别将RMSE降低了34.4%和18.9%，同时保持了15.2 MB的紧凑架构和74.6–78.9 MFLOPs的计算量。消融实验证实了各模块的显著协同贡献，PKO-TCN-BiGRU与IPKO-TCN-BiGRU的直接比较验证了算法改进转化为可衡量的预测增益，超越了基准函数优化。该模型最适合于15分钟至24小时范围内的超短期到短期单步超前预测，每样本推理延迟为2.3–2.7毫秒，完全满足实际电力调度系统的实时性要求。
论文解读
随着电网规模的不断扩大和能源系统改革的深入，电力系统的运行环境日益复杂，负荷预测变得至关重要。作为电力系统运行和调度的基础组成部分，短期负荷预测在调度决策的科学性和效率方面发挥着决定性作用，对于确保系统安全稳定运行具有重要意义。高精度短期负荷预测不仅能为发电调度和电网运行提供可靠支持，降低运行风险，还能通过减少不必要的能源浪费来提高电力系统的经济效益。同时，在可再生能源大规模并网的背景下，负荷预测对于提高新能源消纳能力和缓解供需失衡具有重要价值。此外，准确的负荷预测有助于电力资源的优化配置，提高整体能源利用效率，从而支持构建清洁、低碳、安全、高效的现代能源系统。因此，开展高精度、高鲁棒性的短期负荷预测方法研究，对于促进电力系统安全运行和优化能源结构具有重要的理论价值和实际意义。
研究人员针对电力负荷数据强非平稳性、高随机性和多因素耦合的难点，开展了一项融合改进群智能优化算法与深度学习混合架构的研究。通过引入SPM混沌映射、行星优化策略及自适应t分布扰动来提升超参数寻优质量，构建了基于多尺度时序卷积网络（TCN）、改进自注意力（ISA）增强的双向门控循环单元（BiGRU）、自回归（AR）模块以及选举机制的IPKO-TCN-BiGRU模型。该研究在严格防止数据泄露的实验协议下，利用美国居民电力负荷数据集和中国电工数学建模竞赛数据集进行了全面的实验验证。研究结果表明，所提出的混合模型在预测精度、计算效率和部署可行性之间取得了优异的平衡，为智能电网调度提供了有效的技术支撑。该论文发表于国际知名期刊《Energies》。
关键技术方法
研究人员采用了两项核心关键技术。首先是改进翠鸟优化（IPKO）算法，该算法在传统PKO基础上引入了SPM混沌映射以改善初始种群分布的均匀性，引入行星优化算法的全局与局部搜索策略以增强探索能力，并引入自适应t分布扰动以维持迭代后期的种群多样性，从而避免陷入局部最优。其次是IPKO-TCN-BiGRU混合预测模型架构，该架构利用多尺度TCN并行提取不同尺度的局部与全局时间特征，利用融合ISA机制的BiGRU捕捉双向时间依赖关系，并引入AR模块和选举机制分别对线性趋势进行补偿以及对多源预测结果进行加权融合。实验验证依托于两个独立的数据集：一是美国某地区2012年全年每小时采样的居民电力负荷数据集（含13维特征），二是中国电工数学建模竞赛提供的2012年起连续三年的15分钟采样区域负荷数据集（含5维气象特征）。
仿真实验与结果分析
研究人员在数据收集与预处理阶段，严格遵循时序划分原则，将数据按7:3的比例划分为训练集和测试集，并在训练集中进一步划分出验证集用于IPKO适应度评估。归一化操作采用StandardScaler，且缩放参数仅由训练集拟合后应用于测试集，彻底杜绝了数据泄露。预测协议采用滚动预测策略，利用最近10个实际观测时间步作为输入，预测下一时间步负荷。
在IPKO算法性能测试中，研究人员选取了六个广泛使用的基准测试函数（包括单峰和多峰函数），并将IPKO与原始PKO、麻雀搜索算法（SSA）、灰狼优化器（GWO）和鲸鱼优化算法（WOA）进行对比。实验结果显示，IPKO在所有测试函数上均表现出更优的收敛精度、全局探索能力和稳定性，其最佳值和均值均达到了极低的量级，标准差近乎为零，证明了其在超参数寻优方面的卓越性能。
在模型参数优化环节，IPKO被用于优化TCN层数、隐藏通道数、核大小、BiGRU层数、隐藏单元数和学习率这六个关键超参数。结果显示，IPKO在迭代过程中表现出显著的优化跳跃和稳定的收敛行为，最终确定了最优参数组合。此外，研究人员通过对比验证了选举机制的有效性，引入该机制后，美国居民负荷数据集上的均方误差（MSE）从0.044降至0.024，MAE从0.047降至0.031，R2从0.9712提升至0.9814，显著提高了模型的输出稳定性和拟合精度。
实验结果验证部分表明，在美国居民数据集上，模型成功追踪了高度波动的微观负荷模式，取得了MAE = 0.0190 kW、RMSE = 0.0301 kW、MAPE = 1.7673%、R2= 0.9947的优异成绩。在中国竞赛数据集上，面对更大规模和更复杂气象耦合的区域电网负荷，模型同样表现出色，取得MAE = 79.8125 MW、RMSE = 109.4154 MW、MAPE = 1.1124%、R2= 0.9955的结果。这些低至约1%的MAPE指标远优于电力行业2%至5%的通用标准。
在不同模型预测结果对比中，研究人员将IPKO-TCN-BiGRU与Transformer、LSTM-BiGRU、CNN-BiGRU、MTGNN、Autoformer、FEDformer以及未改进的PKO-TCN-BiGRU进行了全面比较。结果显示，所提模型在两个数据集上均实现了最低的误差指标。例如，相较于最强的注意力基线FEDformer，所提模型在美国数据集上将RMSE降低了12.0%，在中国数据集上将MAE降低了4.3%。同时，复杂度分析表明，该模型参数量仅为15.2 MB，计算量为74.6–78.9 MFLOPs，远低于Transformer等大型模型，且单次推理延迟仅为2.3–2.7毫秒，展现了极高的工程部署价值。
消融实验通过系统性地移除或组合TCN、BiGRU、ISA和AR模块，明确了各组件的具体贡献。结果表明，任何单一模块的缺失都会导致预测性能的下降。完整的四模块融合模型能够协同捕捉局部时间模式、全局依赖关系以及线性和非线性负荷分量，从而在各项评价指标上达到最优，证实了模块间协同作用的必要性。
讨论与结论
在讨论部分，研究人员指出该模型框架具有良好的泛化能力和可迁移性，不仅在电力负荷预测中表现优异，未来还可推广至天然气负荷预测、区域供热系统热负荷预测、风光功率预测以及综合能源系统（IES）的多能流协同预测等能源相关时间序列预测任务中。研究人员强调，虽然IPKO确定的超参数配置对应着稳定的收敛点，但在实际部署中，邻近的参数配置在经过重新训练或微调后仍可能保持令人满意的精度，这为算力受限场景下的应用提供了便利。
结论翻译：
(1) 本研究提出了一种用于短期电力负荷预测的IPKO-TCN-BiGRU混合模型。该模型集成了用于局部和全局时间特征提取的多尺度时序卷积网络（TCN）、用于双向依赖建模的增强型双向门控循环单元（BiGRU）（结合了改进自注意力（ISA）机制）、用于线性趋势补偿的自回归（AR）模块以及用于多源预测融合的选举机制。改进翠鸟优化（IPKO）算法融合了SPM混沌初始化、行星优化策略和自适应t分布扰动，用于全局优化模型超参数，确保了稳定的收敛性和增强的泛化能力。在美国居民电力负荷数据集上，所提模型在测试集上实现了MAE = 0.0190 kW、RMSE = 0.0301 kW、MAPE = 1.7673%和R2= 0.9947。这些结果证明该模型能有效捕捉居民用电模式中固有的复杂非线性动态和随机波动，在精细时间尺度上展现出高水平的预测精度。
(2) 为验证模型在不同数据特征和时间分辨率下的泛化能力，研究人员进一步在中国电工数学建模竞赛数据集上进行了实验，该数据集具有更高的采样频率（15分钟间隔）、更强的季节性非平稳性和显著的温度耦合效应。五个气象变量——最高温度、最低温度、平均温度、湿度和降水量——作为辅助输入与历史负荷序列一同被纳入。所提模型在该数据集的测试集上实现了MAE = 79.8125 MW、RMSE = 109.4154 MW、MAPE = 1.1124%和R2= 0.9955。尽管与美国数据集相比，负荷规模更大且波动模式更复杂，该模型仍保持了稳定的拟合能力和鲁棒的预测性能，证实了其对于具有强多因素耦合的大规模区域负荷预测场景的适应性。
(3) 在美国居民电力负荷数据集和中国电工数学建模竞赛数据集上进行的消融实验用于评估各个模型组件的贡献。结果一致表明，移除任何一个模块都会导致两个数据集上预测性能的下降，这表明TCN、BiGRU、ISA和AR模块均对所述框架的整体有效性做出了贡献。具体而言，缺少TCN、BiGRU、ISA或AR模块会分别削弱局部时间特征提取、双向依赖建模、自适应特征加权和线性趋势补偿。完整模型在所有消融配置中均取得了最佳性能，在美国数据集上的MAE、RMSE和R2值分别为0.0190 kW、0.0301 kW和0.9947，在中国数据集上分别为79.8125 MW、109.4154 MW和0.9955。这些发现表明，性能的提升与各组件的协同集成密切相关。虽然两个数据集上的结果为该模型在不同负荷预测场景中的有效性和潜在适用性提供了令人鼓舞的证据，但仍需在更广泛的数据集上进行进一步验证，以全面评估其鲁棒性和泛化能力。
(4) 与六种最先进的基线模型（Transformer、LSTM-BiGRU、CNN-BiGRU、MTGNN、Autoformer和FEDformer）的全面比较证实了所述方法在两个数据集上的优越性。在美国数据集上，所提模型相对于Transformer将RMSE降低了34.4%（从0.0458降至0.0301 kW），相对于最强的基于注意力的基线FEDformer降低了12.0%（从0.0342降至0.0301 kW），同时达到了0.9947的最高R2。在中国竞赛数据集上，与Transformer相比MAE降低了17.4%（从96.5872降至79.8125 MW），与FEDformer相比降低了4.3%（从83.4176降至79.8125 MW），R2达到0.9955。此外，互补的复杂性分析表明，所述模型在实现这些精度提升的同时，保持了相对紧凑的15.2 MB参数量和74.6–78.9 MFLOPs的架构，显著低于Transformer（145.2–152.8 MFLOPs，28.6 MB）和其他基于注意力的模型。这些结果共同证实了IPKO策略和多模块融合框架在预测精度、计算效率和模型紧凑性之间提供了良好的平衡。
(5) 基于本研究中提出的实验设计、数据集特征和验证结果，所提出的IPKO-TCN-BiGRU模型最适合于超短期到短期的单步超前预测，具体在15分钟至24小时的预测范围内，对应于两个评估数据集的时间分辨率。本研究中采用的10步历史滑动窗口提供了足够的上下文信息，以捕捉此范围内的日内周期性和突发负荷波动。对于超过24小时的预测步骤，单步滚动预测固有的误差累积以及未观测到的外部干扰（如计划外气象事件和需求侧行为转变）日益增长的影响可能会逐渐降低模型性能。将所述的框架扩展到中期预测任务可能需要架构调整，如多步输出头、序列到序列解码策略或概率预测机制。在部署可行性方面，优化过程代表了一次性的离线成本（根据数据集规模耗时3.91–8.90小时），而推理延迟保持在每样本2.3–2.7毫秒，完全满足运行在15分钟或小时级调度周期的实际电力调度系统的实时性要求。总体而言，所提出的模型为智能电力系统中的短期负荷预测提供了一种通用、高精度且计算可行的解决方案，在电力网格调度、可再生能源并网和需求侧管理中具有强大的应用潜力。
