基于特征分解与自适应响应机制的柔性负荷预测方法

《Electronics》：Flexible Load Forecasting Method Based on Feature Decomposition and Adaptive Response Mechanism

　　

随着电力市场改革的持续推进与需求响应（DR）资源渗透率的不断提高，负荷表现出更强的价格相关不确定性，给短期负荷预测带来显著挑战。针对该问题，研究人员提出了一种面向DR的预测框架，融合特征分解、自适应响应建模与深度学习技术。首先处理电价信号与负荷数据，识别DR相关特征并提取代表性响应特性；随后构建自适应响应机制（ARM），从历史负荷—电价状态中学习时变统计响应特性，并为基线负荷预测显式构造电价相关修正项，同时搭建混合CNN-BiLSTM预测模型以捕捉局部时空模式与长期时间依赖。此外采用最优加权策略提升预测性能。案例研究表明，所提方法持续优于忽视DR效应的常规预测模型，MAE、RMSE、MAPE显著降低，决定系数（R2）提升。通过有效量化动态电价—负荷交互，该框架提高了预测精度、鲁棒性与可解释性，为含DR参与的电力市场短期负荷预测提供实用方案。

研究背景方面，短期负荷预测对电力系统可靠经济运行至关重要，但电力市场改革与可再生能源渗透使传统“发电跟随负荷”调度范式逐渐失效，需求侧资源（柔性负荷、储能、电动汽车）受动态电价驱动主动调整用电，导致负荷行为引入额外不确定性。现有方法分传统统计与机器学习两类，前者难以刻画非线性，后者多假设用户行为稳定，在动态电价下失效；已有DR感知研究或未区分原始信号中的DR信息，或未显式刻画电价—负荷非线性动态交互，且缺乏将响应特征嵌入先进预测模型的闭环。为此，研究人员开展一项面向DR的短期柔性负荷预测研究，发表于《Electronics》，核心结论为：所提“特征分解+ARM+CNN-BiLSTM加权融合”框架能定量表征电价—负荷动态交互，在澳大利亚区域30分钟采样数据集上MAE、RMSE、MAPE分别降至192.47、244.42、2.17%，R²达97.27%，显著优于Transformer与BiLSTM，且模块消融证明特征分解（FD）、ARM、加权融合均独立贡献性能。

关键技术方法上，研究人员采用澳大利亚某区域全年17520个30分钟采样点的负荷与实时电价数据（训练80%/验证10%/测试10%）；使用经验模态分解（EMD）分离负荷本征模态函数（IMF）并通过离散傅里叶变换（DFT）功率谱密度锁定中频DR相关IMF（IMF2–IMF5）；使用季节-趋势-离散-残差（STDR）分解电价，提取不规则分量作为DR价格代理；构建ARM分支以日均值归一化电价偏差为输入，经卷积编码与双向长短期记忆网络（BiLSTM）学习时变响应系数β_t并显式生成电价修正项；基线分支采用CNN-BiLSTM，分别实施直接多输出与递归多步预测，最终以验证集最小MSE准则加权融合。

研究结果部分，按原文小节浓缩如下：

1. 2.
   特征分解与自适应响应建模方法：2.1节划分基线负荷与波动负荷，DR负荷属波动负荷子集，用EMD获IMF并结合频域分析排除假日/突变成分提取DR负荷；2.2节详述EMD流程（包络线、均值、IMF判定）及DFT公式X(k)=Σx(n)e^?j2πkn/N，依Luque等控制理论将中频（分钟至小时）对应价格型DR；2.3节给出STDR加性模型y_t=T_t+S_t+D_t+I_t及各分量定义，保留不规则分量I_t作候选DR价格特征；2.4节形式化ARM，以日均价p?_d与归一化偏差Δp?_t=(p_d,t?p?_d)/(σ_p+ε)驱动，经负载/价格编码器与BiLSTM得α_t=tanh(W_αh_t+b_α)，修正项δ_t=α_t⊙Δp?_t，最终?_d+1,t=?^base_d+1,t+δ_t。
2. 3.
   加权融合负荷预测模型：3.1节界定CNN提取局部网格特征、BiLSTM双向时序建模；3.2节递归多步按?_t+1=f(x_t,?_t)迭代，多输出直接出向量?=[?₁…?_k]，融合式?^fus=w·?^rec+(1?w)·?^dir，w由验证集min MSE优化，BiLSTM后接dropout率0.2正则。
3. 4.
   案例分析：4.1节数据同前；4.2.1–4.2.3节EMD得9个IMF，IMF3中频能占68.3%保留，IMF6–9高频剔除，STDR电价分解示季节/趋势/离散/不规则四分量；4.2.4节Pearson与Spearman系数显著（p=0）证不规则电价与DR负荷统计关联；4.3节对比BiLSTM、Transformer，所提法MAE降29.14%（vs Transformer）/34.72%（vs BiLSTM），R²97.27%；消融A0–A5显示FD单独降MAE7.49%、ARM单独降14.04%、A3联合FD+ARM的R²97.03%、A5加权融合最优（MAE192.47）。

讨论与结论翻译：需求侧响应增加了柔性负荷变化的复杂性与不确定性，给常规短期负荷预测带来挑战。为此，本文开发了融合特征分解、自适应响应机制与加权深度学习预测的柔性负荷预测框架，结合结构化特征提取与时变统计响应建模，改善动态电价环境下负荷变化表征。主要结果：其一，EMD与STDR分别提取负荷波动特性与电价不规则分量，选作统计相关预测特征；其二，构建ARM从历史负荷—电价状态学习时变统计响应系数，显式构造基线预测的电价相关修正；其三，分别构建CNN-BiLSTM直接多输出与多步递归预测并以加权融合二者误差互补。当前验证基于单一活跃价格型DR区域数据集，精度提升幅度随电价机制与用户结构而异，跨区泛化与弱DR相关性下的鲁棒性留待未来；后续将从工业/居民异质用户响应矩阵及极端天气—贝叶斯电价先验更新两方面增强实用性与鲁棒性。