用于短期负荷预测的带有卷积特征提取的深度残差网络

为什么明天的用电量今天就很重要

每次我们开关灯，电力公司都必须事先准备好合适的电量。如果发电不足，灯光闪烁、工厂停工；发电过多，则浪费燃料和资金。本文介绍了一种新的人工智能方法，帮助电网运营者按小时预测翌日用电量，适用于从多雪的新英格兰到热带的马来西亚等截然不同的气候条件。

猜测我们每日能耗的挑战

短期负荷预测是指预测从下一小时到下周内某地区需要多少电力。这些预测指导着关键决策，例如启用哪些发电厂、如何安排维护以及如何规划能源交易。即便是微小的改进也能节省巨额开支；对于大型电力公司来说，将预测误差降低仅一个百分点，每年也能在燃料成本上节省数百万美元。但电力需求受许多交织因素影响：时段、星期几、季节、天气、节假日以及不断变化的用电习惯。可靠捕捉所有这些模式并不容易，尤其是在能源系统愈加复杂、气候条件更具可变性的背景下。

早期智能预测工具的局限

研究者长期以来一直尝试用数学模型，近年来则更多采用深度学习来改进这些预测。传统方法如回归和简单神经网络在输入数量增长时表现不佳，常常漏掉细微模式或对历史数据产生过拟合。更先进的网络各有优缺点：卷积网络擅长发现短期波动但不善于把握长期趋势；诸如 LSTM 和 GRU 的递归网络能处理更长序列，但训练慢且更难调参；Transformer 模型能捕捉复杂关系，但计算需求大，且随着深度增加可能变得不稳定。一种流行的折衷是深度残差网络，它通过“捷径”连接帮助非常深的模型在训练时不崩溃。然而，大多数早期设计仅在后期预测层使用这些残差技巧，而未在将原始特征首次提取的关键早期阶段应用。

一种同时关注近处与远处的两阶段模型

作者提出了一个名为“嵌入卷积的深度残差网络”的重新设计预测系统。第一阶段模型侧重局部细节。它将最近的负荷和温度历史——从过去 24 小时到数月——输入一维卷积块。这些卷积块像滑动窗口一样扫描时间序列，以检测重复出现的形状：晨峰、晚高峰、周末低谷或由天气驱动的突发峰值。池化步骤将每个检测到的模式压缩为紧凑的摘要，既降低噪声又保留重要信息。与此同时，季节、星期几和节假日标志等日历信息被处理并合并。随后二十四个小型子网络（对应来日每小时）将这些增强后的特征转化为初步的 24 小时预测。

深度调优及对两类截然不同电网的测试

第二阶段中，一个增强型残差网络对第一阶段的初步预测进行润色。带有捷径连接的堆叠“块”调整逐小时数值，同时保持整体日形态的合理性，并防止训练过程停滞。研究团队在两个真实世界数据集上训练并调优了该架构：覆盖六个美国州、季节变化明显的 ISO New England，以及气候更稳定的热带马来西亚。他们将该模型与多种替代方案比较，包括纯卷积网络、若干递归网络、Transformer、原始残差网络设计，以及仅单独加入卷积或残差部分的变体。性能通过常见误差度量评判，尤其是平均绝对百分比误差，并使用强密度自举重采样方法检验统计显著性。

结果对更智能电网的启示

嵌入卷积的深度残差网络在各项测试中始终给出最精确的预测。在新英格兰数据上，它将平均百分比误差降至约 1.53%，相比其他基于残差的强基线提高了约 11%。在模式更平滑、改进更难取得的马来西亚数据上，它仍将误差降至约 5.06%，并优于所有其他模型。季节性测试显示该方法能处理春夏高峰、冬季取暖负荷以及热带的雨季与旱季而不丧失准确性。统计检验证实这些改进并非偶然。对非专业读者而言，结论很直观：通过将用于短期模式的“显微镜”与稳定深度学习的“主干”结合，这种方法为电网运营者提供了一种更可靠的方式来预测明日用电，节省资金、减少浪费并支持向更智能、更清洁电力系统的转型。

引用: Liu, J., Ahmad, F.A., Samsudin, K. et al. Deep residual networks with convolutional feature extraction for short-term load forecasting. Sci Rep 16, 6382 (2026). https://doi.org/10.1038/s41598-026-35410-y

关键词: 短期负荷预测, 深度学习, 电网, 卷积神经网络, 残差网络