摘要
短期电力需求预测对于电网稳定和发电调度至关重要。尽管预测模型通常使用单步预测进行评估，但在短期范围内的高精度并不意味着当预测被递归扩展到更长时间跨度时仍能保持稳健的性能。本研究通过评估十种深度学习模型，系统地探讨了这一问题：包括循环网络架构（LSTM、GRU和双向LSTM）、四种采用不同优化器-激活函数配置的ResNet变体、两种基于ResNet的混合模型以及PatchTST Transformer。为确保评估的公平性，所有模型均使用相同的数据集、实验设置和训练预算进行训练和评估。它们的性能在单步预测以及24小时、48小时和168小时的递归多时间步预测中进行评估，每项实验均使用六个独立随机种子重复进行。结果显示，随着预测时间跨度的增加，模型排名发生了显著逆转。在下一个单步预测中，循环网络模型最为准确，具有最低的平均百分比误差（MAPE），而使用SGD优化器训练的ResNet模型表现最差。当时间跨度延长至168小时时，排名发生逆转，使用ReLU和tanh激活函数训练的两种SGD优化器ResNet分别上升至第一和第二位，而单步预测中最准确的三个模型在MAPE方面分别降至第6、第4和第9位。更为复杂的PatchTST Transformer从未领先。因此，需求预测模型应在其预期部署的实际操作预测时间跨度上进行评估，而非仅根据单步预测精度来选择。
