用于伊朗阿瓦兹配电变电站短期能耗预测的混合最优特征选择与Conv-LSTM模型（OFSCL）

在炎热城市保持供电

当热浪来袭，空调在城市各处同时开启，电网负荷可能在几分钟内飙升。如果电网运行方对电力需求的判断出现偏差，社区可能面临停电或浪费性的过度供电。本文聚焦于位于伊朗西南部湿热城市阿瓦兹的一个真实变电站，提出了一个重要且现实的问题：能否利用过去的负荷和天气数据，比以往更智能地逐小时预测该变电站需提供的电力？

为什么短期负荷预测很重要

电力难以大规模存储，因此供给必须紧跟需求。在将高压电降压输送到居民和商业用户的配电变电站，这种平衡尤其脆弱。负荷随时段、星期、季节及天气变化，尤其是温度和湿度。传统预测工具——如基本的统计公式——常假设趋势平滑、模式简单。而在像阿瓦兹这样的炎热城市，实际用电噪声大、非线性强，并常因空调使用突增而出现跳变。糟糕的预测可能导致变压器过载、设备寿命缩短，并迫使运营方以保守且低效的方式运行电网。

从简单公式到学习型模型

过去十年里，研究者尝试了更复杂的方法，从决策树和神经网络等经典机器学习模型，到擅长处理时间序列数据的深度学习系统，如长短期记忆网络（LSTM）和卷积神经网络（CNN）。这些新模型能捕捉到更长期的节律和传统方法遗漏的细微模式，但仍面临两大挑战。其一，模型可能被数十个输入变量喂入——小时、星期、节假日、风速、露点、气压等——其中许多变量带来的是噪声而非有用信息。其二，模型往往难以同时利用瞬时波动与更慢的季节性变化。结果是在真实且嘈杂的数据上，预测精度常达不到电网运营方的需求。

一种能学会真正重要特征的混合模型

作者提出了一种名为最优特征选择Conv-LSTM（OFSCL）的混合深度学习架构。它结合了两种优势：卷积层在众多输入变量中筛选并自动关注最具信息量的模式，LSTM层则追踪这些模式随时间的演变。在OFSCL中，卷积部分逐步减少传递的信息量，过滤冗余同时保留关键信号；随后LSTM部分学习这些精炼信号如何逐小时、逐日地变化；最后，全连接层将这一紧凑表示转换为单一预测：下一时间步变电站所需的能量。

在真实变电站上的模型测试

为验证OFSCL的实用性，研究团队收集了一年来自阿瓦兹一处配电变电站的逐小时数据，并辅以涵盖极端夏季高温与较凉季节的详细本地气象记录。他们将OFSCL与一系列替代方法比较，包括决策树、k近邻、多层感知器、纯LSTM与CNN模型，以及若干先进混合模型如CNN-LSTM和带注意力的LSTM。所有模型使用相同的训练与测试集，性能以预测与实际用电的吻合度评判。OFSCL取得了约90%的R²值并拥有最低的误差得分，且训练时间比许多其他深度学习方法更短。跨不同数据折叠的重复测试证实这些提升是稳定的，而非偶然结果。

模型从天气与负荷中学到了什么

除了准确性，作者还希望了解模型最依赖哪些输入。通过基于梯度的敏感度分析，他们测量了各特征微小变化对预测的影响强度。结果显示，气温是主导因素，其次是月份和相对湿度，反映出随着高温与季节变化冷却需求大幅上升。相比之下，对于该变电站而言，工作日或节假日的影响要小得多。分析还表明，随着模型看到更多数据，它对微小波动的敏感性下降，更倾向于锁定稳定模式而非对噪声过度反应。

将更智能的预测带入电网

通俗地说，这项研究表明，经过精心设计的学习系统不仅可以预测繁忙变电站未来几小时的电力需求，还可以解释本地气候中哪些因素最重要。通过自动过滤输入并同时捕捉快速波动与长期趋势，OFSCL在表现上优于多种现有方法，同时足够快速以用于实时场景。如果在更多区域和变电站中推广测试，此类模型可帮助公用事业公司更接近系统极限运行——保证电力可靠供应、减少浪费，并更好地为更热、用电更高的未来城市做好准备。

引用: Mehr, M.M., Farzin, H. & Mashhour, E. A hybrid optimal feature selection and Conv-LSTM model (OFSCL) for short-term energy demand forecasting in distribution substations of Ahvaz, Iran. Sci Rep 16, 11537 (2026). https://doi.org/10.1038/s41598-026-41925-1

关键词: 能耗预测, 深度学习, 电力电网, 天气与用电, 时间序列预测