基于Bi-Mamba和多维时序信息融合的净负荷预测方法

《Energies》：Bi-Mamba-Based Net-Load Forecasting Method with Multidimensional Temporal Information Fusion

　　

随着小型分布式光伏（photovoltaic, PV）发电技术的兴起，表后光伏（behind-the-meter PV）问题显著增加了电力系统调控与管理的难度，准确的净负荷（net-load）预测对电力系统经济稳定运行具有重要意义。净负荷序列的时序特征因多种因素而复杂多变。为提高时序模型对净负荷序列时序特征的提取效果，并提升净负荷预测精度，研究人员提出了一种考虑多维时序信息的净负荷预测方法。模型中引入Mamba模块对输入数据进行过滤，保留部分有效上下文信息的同时提升模型运行效率。采用Bi-Mamba结构构建双向时序特征提取模型，融合日期属性与净负荷的正反向时序特征，以提高模型预测的稳定性与准确性。验证算法结果表明，与时序卷积网络（temporal convolutional network, TCN）基线相比，所提方法可使归一化平均绝对误差（normalized Mean Absolute Error, nMAE）降低17.72%，使归一化均方根误差（normalized Root Mean Squared Error, nRMSE）降低21.51%。此外，该模型在不同季节与日期类型下均表现出稳健的稳定性，为高光伏渗透率电力系统的调度决策提供了可靠参考。

**研究背景与问题**
随着全球变暖加剧，中国提出了“碳达峰与碳中和”目标以及“清洁低碳、安全高效”的能源转型。集中式与分布式就地开发成为光伏集成的两种主要模式。根据国际能源署数据，2024年全球分布式光伏容量将达到530 GW，超过总光伏容量的45%，小型分布式系统主导未来增长。小型分布式光伏的兴起促进了住宅建筑的本地发电，用户侧分布式能源系统用于就地消纳的部署日益增加。然而，由于成本、政策等因素，大多数分布式光伏系统安装在用户侧电表后方。此类系统会导致负荷分配与电网互联问题；此外，光伏出力不可见性导致负荷特性显著变化，增加系统控制与运行难度。用户行为表现出强周期性与季节性，节假日有特殊模式，特定气象条件下动态变化，这些特征对数据预处理与特征提取提出了更高要求。具体而言，分布式光伏系统主要使用单晶或多晶硅面板，其出力对辐照度与温度变化高度敏感。与集中式光伏电站不同，表后系统缺乏实时监测，导致净负荷曲线呈现“鸭型曲线”特征，正午出现深谷。这使天气驱动的随机性叠加到传统刚性用户负荷上，形成复杂的非线性耦合效应，传统模型难以捕捉。
现有净负荷预测方法包括统计方法（如自回归积分滑动平均模型ARIMA及其季节性变体SARIMA）、机器学习方法（如极限梯度提升XGBoost、随机森林RF、支持向量回归SVR）以及深度学习方法（如循环神经网络RNN、长短期记忆网络LSTM、门控循环单元GRU、时序卷积网络TCN、卷积神经网络CNN等）。尽管已有大量负荷预测研究，但表后光伏下的净负荷具有更强的波动性与随机性、复杂的时序模式以及多样的影响因素，需要针对净负荷预测开展进一步研究。
**研究内容与结论**
针对上述问题，研究人员提出了一种融合多维时序信息的净负荷预测方法，考虑了净负荷时序模式的复杂性以及日期属性对用户行为的影响。引入Mamba模块过滤输入，保留有效上下文信息的同时提升效率；采用Bi-Mamba结构构建双向时序特征提取器，融合日期属性与正向和反向净负荷特征，从而增强预测稳定性与准确性。验证结果表明，与最强的基线模型TCN相比，所提Bi-Mamba模型使nMAE降低17.72%，nRMSE降低21.51%，且在不同季节与日期类型下均表现出稳健性能，为高光伏渗透率电力系统的调度决策提供了可靠参考。该论文发表在《Energies》。
**主要关键技术方法**
研究人员使用了以下关键方法：Mamba模块（基于结构化状态空间模型SSM，含选择性机制与多头部SSM）；Bi-Mamba双向特征提取结构（分别构建正向与反向编码器，融合日期属性与净负荷时序特征）；日期属性的循环编码（对月份与日期使用正弦-余弦编码，节假日使用独热编码）；温度相似日曲线匹配（通过温度预测曲线提取最大值、最小值与均值，计算距离选择历史相似日净负荷曲线作为参考输入）。样本数据来源于中国东部省份的省级净负荷数据（2020年1月1日至2022年12月31日，逐时），温度数据来自欧洲中期天气预报中心ECMWF，按7:3划分训练集与测试集。
**研究结果**
**4.1. 跨季节预测性能**
通过对比各模型在春、夏、秋、冬四季的预测误差（nMAE与nRMSE），发现春、秋两季误差较小，夏、冬两季误差较大，原因是夏冬季节温度波动剧烈，用户制冷与制热负荷对温度变化敏感，同时夏季云层移动与雷暴导致光伏出力快速爬坡，冬季雪覆盖或雾霾导致出力不可预测。Mamba系列模型在所有季节的误差均低于基线模型，尤其在夏季与秋季表现更优；Bi-Mamba-2相比Mamba-2在除冬季外的季节中误差更小，表明双向融合有助于学习复杂动态。
**4.2. 跨日期类型预测性能**
通过比较节假日与工作日、工作日与周末的预测误差，发现由于模型包含节假日标签，节假日与工作日误差差异较小；Mamba模型误差低于基线，且双向模型比单向模型更稳定，表明融合日期属性与正反向特征提高了对不同日期依赖模式的鲁棒性。
**4.3. 消融研究**
通过对比完整模型与三个变体（去除双向结构、去除日期编码、去除相似日曲线），发现双向结构对误差降低贡献最大，去除日期编码与相似日曲线分别导致nMAE增加5.0%与7.3%，验证了多维融合的必要性。
**讨论与结论**
讨论部分指出，模型在夏冬季节误差较大，但相比基线模型仍显著降低，说明Mamba系列模型对高波动性场景具有更强适应性。双向结构在识别净负荷曲线转折点（如正午低谷与早晚高峰过渡）时发挥关键作用。消融实验证实各组件均不可或缺。未来工作将关注跨区域验证以测试泛化能力，并整合数值天气预报网格以增强对极端气象的可预测性。
研究结论翻译如下：
(1) 优越精度：所提出的Bi-Mamba模型优于TCN、LSTM和Transformer基线，与TCN相比nMAE降低17.72%，R²达到0.985。双向特征提取对于识别净负荷曲线转折点至关重要。
(2) 鲁棒性：该模型在不同场景下表现一致，在困难季节（夏/冬）和不同日期类型中取得最低误差，有效缓解了节假日异常影响。
(3) 实际意义：对电力系统运行人员而言，预测精度的提升直接转化为备用容量需求的降低和更高效的经济调度。模型的线性复杂度允许在资源受限的调度平台上快速重新训练与部署。
(4) 局限性与未来工作：本研究的一个局限性是依赖单一区域数据集。极端天气事件（如台风）仍可能导致较大预测偏差。未来工作将聚焦跨区域验证以测试泛化能力，并整合数值天气预报（NWP）网格以进一步增强对极端气象变化的抗性。