[1]张海静,冯延坤,肖楚鹏,等. 融合日类型注意力的电力负荷短期预测方法研究[J].机械与电子,2026,44(02):17-23.
　ZHANG Haijing,FENG Yankun,XIAO Chupeng,et al. Research on Short-term Power Load Forecasting Method Integrating Day-type Attention[J].Machinery & Electronics,2026,44(02):17-23.
点击复制

 融合日类型注意力的电力负荷短期预测方法研究()
分享到：

《机械与电子》[ISSN:1001-2257/CN:52-1052/TH]

卷:
44
期数:
2026年02期
页码:
17-23
栏目:
研究与设计
出版日期:
2026-02-26

文章信息/Info

Title:
 Research on Short-term Power Load Forecasting Method Integrating Day-type Attention
文章编号:
1001-2257(2026)02-0017-07
作者:
 张海静1; 冯延坤1; 肖楚鹏2; 3; 许 静2; 3; 卢 瑞1; 王 奎2; 3
 (1.国网山东省电力公司营销服务中心(计量中心), 山东 济南 250001;
2.南瑞集团有限公司(国网电力科学研究院有限公司), 江苏 南京 211000;
3.国网电力科学研究院武汉能效测评有限公司, 湖北 武汉 430074)
Author(s):
 ZHANG Haijing1; FENG Yankun1; XIAO Chupeng2; 3; XU Jing2; 3; LU Rui1; WANG Kui2; 3
 (1.Marketing Service Center(Meterology Center),State Grid Shandong Electric Power Company,Jinan 250001,China;
2.Nari Group Corporation Co.,Ltd.(State Grid Electric Power Research Institute Co.,Ltd.),Nanjing 211000,China;
3.State Grid Electric Power Research Institute Wuhan Efficiency Evaluation Co.,Ltd.,Wuhan 430074,China)
关键词:
电力负荷预测; 短期预测; 注意力机制; 深度学习; 神经网络
Keywords:
power load forecast; short term forecast; attention mechanism; deep learning; neural network
分类号:
TP39
文献标志码:
A
摘要:
 为充分挖掘电力负荷的日周期性与周周期性特征,提出一种融合日类型注意力机制的短期负荷预测方法。首先,利用单日电力负荷线性回归预测结果验证多元线性回归模型的适用性,并对历史数据进行分组。其次,引入注意力机制,突出不同历史日对预测日的贡献,构建基于神经网络的日类型注意力融合预测模型。最后,分别采用所提模型、多元线性回归和双向长短期记忆网络BiLSTM 对算例进行预测,结果表明,所提模型的平均绝对百分比误差(MAPE)、归一化均方根误差(NRMSE)和均方根百分比误差(RMSPE)均优于对比模型,验证了所提方法在预测精度与稳定性方面的有效性。
Abstract:
 To fully exploit the daily and weekly periodicity characteristics of power load,a short term load forecasting method integrating a day type attention mechanism is proposed.Firstly,the applicability of a multiple linear regression model was verified using linear regression prediction results of single day power load,and the historical data were grouped accordingly.Secondly,an attention mechanism was introduced to highlight the contributions of different historical days to the target day,and a neural network based forecasting model with integrated day type attention was constructed.Finally,the proposed model was compared with multiple linear regression,and the Bidirectional Long Short term Memory (BiLSTM) networks were applied to case studies.The results indicate that the proposed model outperforms the comparative models in terms of Mean Absolute Percentage Error (MAPE),Normalized Root Mean Square Error (NRMSE),and root mean square percentage error (RMSPE),demonstrating its effectiveness in prediction accuracy and stability.

参考文献/References:

 [1] 陈宋宋,王阳,周颖,等.基于客户用电数据的多时空维度负荷预测综述[J].电网与清洁能源,2023,39(12):28 40.
[2] 徐利美,赵金,李裕民,等.考虑多变量建模的中期负荷预测模型[J].南方电网技术,2024,18(11):79 87.
[3] HE Y Y,XIAO J L,AN X L,et al.Short term power load probability density forecasting based on GLRQ stacking ensemble learning method[J].International journal of electrical power and energy systems,2022,142(A):108243.
[4] 钱育树,孔钰婷,黄聪.电力负荷预测研究综述[J].四川电力技术,2023,46(4):37 43.
[5] EREN Y,KÜÇÜKDEMIRAL I.A comprehensive review on deep learning approaches for short term load forecasting[J].Renewable and sustainable energy reviews,2024,189(B):114031.
[6] 毛远宏,孙琛琛,徐鲁豫,等.基于深度学习的时间序列预测方法综述[J].微电子学与计算机,2023,40(4):8 17.
[7] 习伟,蔡田田,张镇,等.融合多元影响因素的配电台区BiLSTM 负荷预测方法[J].天津大学学报(自然科学与工程技术版),2023,56(11):1205 1216.
[8] 应张驰,陈淑萍,卢旭航.基于多源信息的短期负荷混合预测模型应用研究[J].浙江电力,2019,38(9):100 104.
[9] 林祥,张浩,马玉立,等.基于改进LSTM 神经网络的电动汽车充电负荷预测[J].现代电子技术,2024,47(6):97 101.
[10] 徐珂,解兵,张宸宇,等.基于改进GRU 神经网络的综合能源管控系统优化研究[J].自动化与仪器仪表,2024(2):154 157.
[11] 赖添城,徐康康,朱成就,等.一种基于改进CNNGRU 的建筑冷负荷单步预测方法[J].机电工程技术,2024,53(1):119 122.
[12] 赵洋,王瀚墨,康丽,等.基于时间卷积网络的短期电力负荷预测[J].电工技术学报,2022,37(5):1242 1251.
[13] 李晓辉,佟鑫,曹敬立,等.基于CEEMD IBA LSSVM的微电网短期负荷预测研究与应用[J].计算机测量与控制,2023,31(3):49 55.
[14] VASWANI A,SHAZEER N,PARMAR N,et al.Attention is all you need[J].Advances in neural information processing systems,2017,30:5998 6008.
[15] 李云松,张智晟.基于GRU TG Transformer的综合能源系统多元负荷短期预测[J].电力系统保护与控制,2023,51(15):33 41.
[16] 白宇,薛贵军,谢文举,等.改进GJO 优化CNN BiLSTM的热负荷预测模型[J].中国测试,2025,51(4):82 90.
[17] 王晨,李又轩,吴其琦,等.基于SVM STL LSTM的区域短期电力负荷预测研究[J].水电能源科学,2024,42(4):215 218.
[18] 刘伟,蔡东升,冯付勇,等.基于DCT CNN GRU 的短期电力负荷预测研究 [J/OL].电测与仪表,2024:1 11[2025 04 02].http://kns.cnki.net/kcms/detail/23.1202.th.20240321.1323.002.html.
[19] 唐晓,陈芳,许强,等.改进鲸鱼算法优化的多维度深度极限学习机短期负荷预测[J].山东电力技术,2023,50(1):1 7.
[20] 陈晓华,吴杰康,蔡锦健,等.基于猎人猎物优化算法优化BiLSTM 的电力负荷短期预测[J].山东电力技术,2024,51(4):64 71.
[21] 陈晓华,吴杰康,张勋祥,等.基于鹈鹕优化算法优化广义回归神经网络的电动汽车充电负荷短期预测[J].山东电力技术,2024,51(7):1 9.
[22] 吕秋霞,孙亮,车延华,等.基于深度置信网络的配电网负荷预测[J].山东电力技术,2023,50(8):20 26.
[23] 董添.基于深度学习的电力负荷模式识别与预测方法研究[D].长春:吉林大学,2022.
[24] 赵兵,王增平,纪维佳,等.基于注意力机制的CNNGRU 短期电力负荷预测方法[J].电网技术,2019,43(12):4370 4376.
[25] 管业鹏,苏光耀,盛怡.双向长短期记忆网络的时间序列预测方法[J].西安电子科技大学学报,2024,51(3):103 112.
[26] ZHOU B W,WANG H,XIE Y C,et al.Regional short term load forecasting method based on power load characteristics of different industries[J].Sustainable energy,grids and networks,2024,38:101336.

备注/Memo

备注/Memo:
 收稿日期:2025-08-04
基金项目:国家电网有限公司科技项目(520633230001)
作者简介:张海静 (1980-),女,山东德州人,硕士,高级工程师,研究方向为电力负荷分析与预测、电力需求响应、综合能源服务和深度学习算法及其在电力系统中的应用等;王 奎 (1993-),男,湖北孝感人,硕士,工程师,研究方向为综合能源系统、碳排放预测以及电力市场管理,通信作者,E-mail:lixiaosh8956@163.com。
更新日期/Last Update: 2026-04-28