基于时间特征分析的NST-IRN组合模型短期负荷功率预测.pdfVIP

第46卷第7期太阳能学报Vol.46，No.7

2025年7月ACTAENERGIAESOLARISSINICAJul.，2025

DOI：10.19912/j.0254-0096.tynxb.2024-1869文章编号：0254-0096（2025）07-0062-11第二十七届中国科协年会学术论文

基于时间特征分析的NST-IRN组合模型

短期负荷功率预测

11211

万炜兴，谢丽蓉，张龙军，卞一帆，马兰

（1.新疆大学电气工程学院，乌鲁木齐830017；2.国网新疆电力有限公司信息通信公司，乌鲁木齐830063）

摘要：针对在短期负荷功率预测过程中，因负荷功率波动大而导致单一模型存在预测精度低的问题，提出基于时间特征分

析的短期负荷功率NST-IRN组合预测模型。首先，深度挖掘负荷功率的时间特性变化，将其分解为趋势成分以及循环分量，构

建新型时间序列（NTS）模型。其次，考虑多时间尺度输入特征与日类型对负荷功率的影响，构建含特征输入结构与深度学习结

构的改进残差神经网络（IRN）模型。最后，利用D-S证据理论对NTS与IRN模型的预测结果进行权重融合，以获取最终负荷预

测结果。以ISONewEngland的真实负荷数据进行仿真实验，结果表明所提模型具有较高的预测精度和鲁棒性。

关键词：电力负荷预测；时间序列分析；残差神经网络；D-S证据理论

中图分类号：TM715文献标志码：A

据稀缺情况下的预测精度。文献［13］融合静态与时序变量

0引言

作为输入，采用门控机制的变量分权组件赋予不同权重，结

负荷预测对于促进电力供需平衡、确保供电安全以及推合独特的Transformer双层编码结构，深入挖掘时序数据特

动电力调度的精细化具有重要意义。短期负荷预测能够灵征，提升预测效率与准确性。文献［14］通过算法分别优化变

活适应电力需求的波动，有效避免电力短缺与弃电现象，从分模态分解与双向长短期记忆模型，以增强预测精确度。机

而优化资源配置，促进电网的安全与经济运行，是保障电力器学习预测法通过建立输入与输出的映射关系来实现负荷

［1］

稳定供应的一项关键技术手段。常用的短期负荷预测方法功率的预测，但存在过拟合导致新数据表现不佳、梯度爆炸

主要包括时间序列预测方法和机器学习预测方法。时间序［15］

导致权重更新不稳定或不收敛等问题。残差神经网络通

［2］［3］

列预测方法包括灰色模型方法、指数平滑法、积累自回归过引入残差块，缓解深度神经网络训练中的梯度消失与过拟

［4］

滑动平均法等。文献［5］提出残差型组合灰色模型-最小二合问题。文献［16］采用多分支门控残差卷积神经网络提取

乘支持向量机预测模型，提升了预测精度并避免了应用阶段