可解释的短期电力负荷预测

《Advanced Intelligent Systems》：Interpretable Short-Term Electric Load Forecasting

　　

电力系统的可靠和高效运行依赖于不同时间尺度和目标下的准确负荷预测，从长期电网充裕度评估到日前系统调度和实时调度。在此背景下，深度学习（DL）模型以牺牲可解释性为代价优于传统统计方法，使得可解释算法的研究至关重要。在这些方法中，时间融合变换器（TFT）已在多个领域证明其有效性，但其在短期负荷预测（STLF）中的适用性缺乏充分验证。本研究评估了TFT在一个涉及意大利某大学院系建筑的多变量STLF任务中的表现，重点关注可解释性。该模型的性能与已建立的基准模型进行了比较：TFT在所有竞争者中表现最佳，在测试子集上实现了7.40%的平均绝对百分比误差（MAPE），比竞争者低25%。同时，研究人员还对模型的可解释性进行了研究：变量选择权重识别了最重要的特征，对注意力模式的全面研究突出了生成预测的最关键时间步，Comaniciu距离有助于检测制度转变和重大事件。总体而言，本研究提出了一种基于TFT的有效模型，用于日前STLF，在可解释性和预测性能方面均表现出色。

本研究聚焦于电力系统短期负荷预测（STLF）领域，该领域对电力系统的经济调度、运行调度及负荷管理至关重要。传统统计方法（如SARIMAX）虽可解释且计算高效，但难以捕捉非线性动态及非平稳特征；深度学习（DL）模型（如LSTM）虽精度显著提升，却因“黑箱”特性导致可解释性缺失，限制了其在安全关键型能源管理系统中的部署。近年来，注意力机制与变换器（Transformer）架构为可解释DL提供了新途径，其中时间融合变换器（TFT）已在多个领域验证了其内在可解释性（如变量选择权重、注意力权重），但其在短期负荷预测中的应用尚缺乏系统性验证，尤其是对注意力模式异常时期的定量分析缺失。为此，研究人员以意大利巴勒莫大学农业系建筑为案例，开展多变量日前STLF研究，旨在评估TFT的预测性能与可解释性，并与SARIMAX、LSTM及ETSformer等基准模型对比。该研究发表于《Advanced Intelligent Systems》，其重要意义在于：首次在真实STLF场景中综合运用变量选择权重、注意力模式及Comaniciu距离进行可解释性分析，并验证了TFT在预测精度与模型透明度间的平衡能力，为能源管理系统中可解释DL的工程化应用奠定了基础。

**技术方法（不超过250字）**：研究人员采用TFT模型，其核心架构包括变量选择网络（VSN）、可解释多头注意力机制（IMH）及门控残差网络。数据采集自意大利巴勒莫大学三个院系建筑（农业、建筑、经济）的每小时电力负荷及气象变量（温度、降水、太阳辐照度等），时间跨度为2019年7月1日至2023年6月30日，共35,064个样本。预处理阶段包括均值插补、基于相关性分析的特征选择（去除冗余气象变量及季节性指标）及min-max缩放。超参数调优通过PyTorch Forecasting库实现，TFT最终配置为隐藏层大小66、隐藏连续层大小34、单注意力头，共313,007个可训练参数。基准模型包括SARIMAX（自动定阶，每周季节性）、LSTM（双层堆叠，38,680参数）及ETSformer（4层编码器-解码器，666,479参数）。训练采用分位数损失（TFT）或均方误差（MSE），Adam优化器，早停与学习率衰减策略。泛化测试直接在未见于训练的另外两个建筑数据上进行。可解释性分析聚焦于变量选择权重（VSWs）、注意力权重（AWs）及Comaniciu距离。

**研究结果**：

**4.1 测试子集性能**：通过对比测试集（2022年7月8日至2023年6月30日）的预测结果，TFT在所有指标上均最优：平均绝对百分比误差（MAPE）为7.40%，比LSTM（9.87%）低25.03%，比SARIMAX（13.46%）低45.02%，比ETSformer（13.71%）低46.02%。Friedman检验及Wilcoxon符号秩检验（Holm-Bonferroni校正）均证实TFT的误差分布显著低于其他模型（p << 0.05）。推理时间方面，TFT（26.35 ms/序列）慢于LSTM（1.26 ms）但快于SARIMAX（1.14 s/序列，需重新拟合）。周级案例分析显示，TFT能更早地适应制度转变（如假期与工作日切换），但首个预测日的不确定性较大（预测分位数展宽）。

**4.2 泛化性能**：将训练好的模型直接应用于建筑系与经济系的全时段数据，TFT在建筑系上取得最优MAPE（25.99%）和最低MAE（18.04 kWh），但在MSE上略逊于LSTM（1,386.86 vs. 1,295.48 kWh²）；在经济系上，TFT全面领先，MAPE为18.46%，而LSTM因负R²（-0.242）完全失效。这表明TFT对负荷幅值变化较小的建筑具有良好的泛化能力。

**4.3 可解释性分析**

**4.3.1 TFT的变量选择权重**：通过分析所有输入序列的VSWs，历史负荷是最重要的特征（编码器通道）；气象变量中太阳辐照度贡献最大；季节性指标中，星期几的权重高于月份。特征消融实验证实，仅保留历史负荷与季节性指标即可获得接近原模型的MAPE（去除历史负荷时MAPE急剧上升），表明气象变量的冗余信息可被压缩。

**4.3.2 TFT的注意力模式**：平均注意力权重（AWs）在每日11:00–12:00出现峰值，且该峰值位置不随预测时域τ（6, 12, 18, 24）变化，呈钟形分布。按星期平均后，周一至周五的注意力模式类似，但周日注意力集中在非基线负荷时段，说明模型通过高方差时段（如工作日峰值）推断周末基线，而非直接依赖近期周末观测。这暗示注意力层主要提取全局时间上下文，而具体时域差异由后续全连接层实现。

**4.3.3 重要时期及Comaniciu距离下的注意力模式**：在节假日（如主显节、复活节周一、圣罗莎莉亚节）期间，TFT的MAPE显著高于年均值，且这些节假日多在工作日。引入二元假日指示器后（TFT-H），节假日MAPE相对差异幅度大幅降低，表现不佳的节假日数量从32个降至15个。Comaniciu距离dist(t)的85分位数为0.51，高于此阈值的序列与大学校历中的特殊时期（暑假、期中考试、寒假、国庆假期）高度重合。dist(t)最大的序列（圣诞节周）的注意力模式显示，注意力几乎完全集中在偏离基线的少数时刻（如12月22、23、28日），其余时刻注意力近零，验证了该指标可有效检测制度转变与重大事件。

**总结讨论与结论**：讨论部分指出，TFT的预测优势源于其灵活的特征处理机制（多通道输入、注意力机制），但代价是更高的计算复杂度（参数较LSTM多709%）。LSTM在精度与效率间取得良好平衡，但泛化能力与可解释性受限。Comaniciu距离为识别异常时期提供了量化工具，可辅助能源系统操作员关注关键时段。结论部分强调：TFT在STLF中实现了可解释性与预测性能的统一，尤其适用于对安全性要求高的微电网等场景。未来工作将扩展至不同建筑类型、气候区域及更高分辨率数据，并整合特殊事件信息以提升节假日预测能力。