《Energy Exploration & Exploitation》：Multi-scale adaptive decomposition for electricity load forecasting: A deep learning framework for smart-grid applications
编辑推荐：
摘要
准确的电力负荷预测对于智能电网调度至关重要，然而现有的深度学习方法在高效捕捉多个时间尺度方面常常面临困难。本文提出了一种自适应多尺度分解（adaptive multi-scale decomposition, AMD）框架，该框架包含三个模块。多尺度可
摘要
准确的电力负荷预测对于智能电网调度至关重要，然而现有的深度学习方法在高效捕捉多个时间尺度方面常常面临困难。本文提出了一种自适应多尺度分解（adaptive multi-scale decomposition, AMD）框架，该框架包含三个模块。多尺度可分解混合（multi-scale decomposable mixing, MDM）通过下采样和残差混合提取分层时间表示。双依赖交互（dual dependency interaction, DDI）通过并行的时间和通道混合来捕捉时间依赖关系和变量耦合。自适应多预测器合成（adaptive multi-predictor synthesis, AMS）利用基于自相关的软Top-K路由来整合不同尺度的预测，在突出主导尺度的同时保留其他尺度的贡献。在六个电力领域基准数据集（包括电力消耗负荷（Electricity Consuming Load, ECL）、电力变压器温度（Electricity Transformer Temperature, ETT）和太阳能（Solar Energy））上的实验表明，在长期预测中，AMD实现了平均均方误差（mean squared error, MSE）为0.28、平均绝对误差（mean absolute error, MAE）为0.33的性能，与TimeMixer相当。AMD在太阳能和长期电力消耗负荷（ECL）任务上表现良好，但在ETTh2上略逊于TimeMixer，后者以趋势为主的模式更倾向于固定的多尺度权重。AMD拥有230万参数，每个训练周期耗时45.2秒，每次推理耗时12.5毫秒，与TimeMixer处于同等效率范围，且低于基于Transformer的基线模型。消融、敏感性和可视化分析证实了所有三个模块的贡献，并揭示日尺度和小时尺度分别占尺度归因的35.8%和28.5%。总体而言，AMD在混合或变化的周期模式下，为电力负荷基准预测提供了具有竞争力的精度-效率权衡。其在实际智能电网运营中的适用性仍需进一步验证。
论文解读文章：基于自适应多尺度分解的电力负荷预测——一种面向智能电网的深度学习框架
**研究背景与问题**
随着全球能源转型的深入推进和智能电网建设的快速发展，电力负荷预测已成为保障电力系统安全稳定运行的核心技术支撑。准确的负荷预测不仅能优化发电调度、降低运营成本，还能有效应对可再生能源并网带来的波动性挑战，提升电网供需平衡能力。然而，电力负荷数据呈现出显著的多尺度时间特征：在小时尺度上，负荷受居民和商业用电行为影响，呈现高频波动；在日尺度上，负荷遵循明显的峰谷周期模式；在周和月尺度上，负荷受工作日-周末模式和季节因素影响，呈现低频趋势变化。这种多尺度、多周期的复杂时间依赖性对传统预测方法构成了巨大挑战。
近年来，深度学习技术的突破为时序预测领域注入了新的活力。基于Transformer的方法如Informer、Autoformer和FEDformer通过自注意力机制建模长程依赖，在多个基准数据集上取得了显著进展。然而，Transformer架构固有的二次计算复杂度限制了其在长序列预测中的效率。为此，研究人员提出了基于多层感知机（MLP）的轻量级替代方案，如DLinear、TSMixer和TimeMixer，这些方法通过线性层或简单的MLP网络进行时间混合，在保持低计算开销的同时实现了与Transformer相当甚至更优的性能。然而，现有MLP方法大多采用单尺度或固定尺度的建模策略，难以充分捕捉电力负荷数据中不同频率分量的动态演变模式。此外，传统的时序分解方法如基于Loess的季节-趋势分解（STL）和经验模态分解（EMD）虽能提取多尺度特征，但依赖人工设计的分解规则，缺乏对数据分布的自适应能力，且往往独立处理各分解尺度分量，忽略了它们之间的交互关系。
针对上述研究空白和方法局限，本论文提出了一种用于电力负荷预测的自适应多尺度分解（AMD）深度学习框架。该框架旨在通过多尺度分解、时间-通道交互和自适应尺度级路由的协同设计，解决现有轻量级预测模型在处理多周期电力负荷数据时的不足。其贡献并非单一孤立操作，而是整合了三种互补的设计选择，共同应对现有方法在功能上的缺陷。
**研究内容与主要结论**
本研究提出的AMD框架由三个核心模块组成，并以端到端深度学习架构实现。研究人员在六个电力领域基准数据集上进行了全面评估，并得出以下主要结论：(1) AMD在数据集平均指标上与最强者基线TimeMixer持平，平均MSE为0.28、MAE为0.33，均明显优于次优方法；(2) AMD在太阳能和长期ECL任务上表现优异，但在趋势主导的ETTh2上略逊于TimeMixer；(3) 与基于Transformer的方法相比，AMD在显著减少参数数量和训练时间的同时，降低了平均MSE；(4) 消融、敏感性和可视化分析确认了三个模块的贡献，揭示日尺度和小时尺度共占尺度归因的64.3%；(5) AMD以约230万参数、45.2秒/周期的训练时间和12.5毫秒/次的推理时间，处于与TimeMixer相同的效率范围内。该研究成果发表于《Energy Exploration & Exploitation》。
**主要技术方法**
研究员为开展本研究采用了如下几个关键的技术方法。首先，构建了包含三个模块的AMD框架：多尺度可分解混合（MDM）模块通过分层下采样和自下而上的残差混合学习分层时间表示；双依赖交互（DDI）模块通过并行的时间混合路径和通道混合路径建模时间依赖关系和变量耦合；自适应多预测器合成（AMS）模块利用基于自相关分析的软Top-K路由，自适应地整合各尺度的预测结果。其次，在数据预处理中应用了可逆实例归一化（RevIN）以缓解分布偏移问题。再次，模型训练采用Adam优化器、余弦退火学习率调度和早停机制，联合优化预测损失、选择器损失和L2正则化项。最后，在六个基准数据集（包括ECL、ETTh1、ETTh2、ETTm1、ETTm2和Solar Energy）上进行了性能比较、消融实验、参数敏感性分析、计算效率对比和可视化分析。
**研究结果**
*多尺度可分解混合（MDM）模块*。研究人员设计了MDM模块，通过层级平均池化操作逐步提取粗粒度信息，生成不同尺度的分层时序表示。在此基础上，采用自下而上的残差混合机制，从最粗粒度开始逐层向细粒度传递信息，每层通过门控多层感知机（GMLP）进行特征转换。这种设计使细粒度特征在混合过程中不被丢失，同时允许模型学习不同尺度之间的交互关系。与STL和EMD等传统方法相比，MDM模块通过端到端学习实现了跨细粒度、中粒度和粗粒度时间模式的残差融合，使得局部负荷波动、日周期和长期趋势在预测之前能够相互作用。
*双依赖交互（DDI）模块*。研究人员设计了DDI模块，通过在MDM模块中输出的多尺度表示上进行分块（patching）操作，然后沿时间维度和通道维度分别进行混合。时间混合路径沿分块维度应用共享MLP，捕捉跨时间窗口的依赖关系；通道混合路径沿通道维度应用共享MLP，并通过可学习的缩放参数β进行调节，以自适应平衡时间混合与通道混合的相对重要性。这种软平衡设计规避了TSMixer和MTS-Mixers中固定结构假设的局限。消融实验表明，固定β为0.5时，T=192的MSE将上升15.0%，证明β可学习的设计对维持性能至关重要。
*自适应多预测器合成（AMS）模块*。研究人员设计了AMS模块，通过自相关分解提取每个尺度表示的周期性信息，据此生成重要性得分。在训练阶段添加高斯噪声以鼓励探索，随后采用软Top-K衰减机制对非主导尺度赋予较小的非零权重，最终通过softmax归一化生成选择器权重。主导尺度获得较大权重，非主导尺度保留少量但有意义的贡献，反映了负荷数据中不同时间尺度的互补性。此外，AMS模块还引入系数变异（CV）损失以鼓励负荷均衡。可视化分析揭示，日尺度模式贡献最大（35.8%），小时尺度贡献28.5%，周尺度贡献22.3%，非常粗尺度贡献13.4%，与电力负荷的实际物理特性相吻合。
*实验结果*。主实验结果（表3）显示，AMD在平均MSE/MAE（0.28/0.33）上与TimeMixer持平，且优于PatchTST（0.30/0.35）和iTransformer（0.32/0.35）。在太阳能数据集上，AMD优势明显（0.19 MSE），而在ETTh2上略逊于TimeMixer。在计算效率方面，AMD以2.3M参数、45.2秒/周期训练时间和12.5毫秒推理时间，与TimeMixer同属最高效的模型集群，且远轻于基于Transformer和CNN的基线模型。此外，参数敏感性分析显示，预测器数量m和主模式数量k对性能较稳健，而损失权重λ?对性能影响最为显著，当偏离最优值0.01时，MSE将上升12.5%，这表明λ?是跨数据集迁移时需优先调整的超参数。
**讨论与结论**。讨论部分首先总结了AMD框架的优势与创新点，明确指出该框架相较于TimeMixer在数据集平均视角上无统一优势，其价值主要在于对间歇性较强数据的性能优势以及提供尺度级归因能力。同时，论文详细分析了五项局限性：超参数敏感性（特别是λ?）、归因的尺度级而非因果性质、极端场景下的性能待验证、计算资源在超大规模电网中的瓶颈，以及智能电网应用相关性验证尚属初步。此外，论文提出了多模态融合、不确定性量化、联邦学习和决策导向优化等未来研究方向。结论部分明确指出，AMD框架整体位于精度-效率平面的帕累托前沿，并在特定场景下体现出优势。本研究为包含间歇性或混合周期负荷的智能电网场景提供了一种具有竞争力的预测方案，但其最终实际部署价值仍待通过下游运营评估进一步验证。
