基于扩展长短期记忆网络的电力系统短期负荷预测

来源：计算机测量与控制杂志2025年第8期北京时间：

作者：郁佳杰,付保川,朱建业,韩雅明,，

单位：苏州科技大学

摘要：短期负荷预测在电力系统的运行与规划中扮演着至关重要的角色，准确地预测负荷变化不仅能够有效支持电网的调度优化、提升电网可靠性，而且可以为决策者提供科学依据以降低运营成本和提高系统效率。如何构建具有柔性特征的短期负荷预测模型，成为影响短期负荷预测准确率的关键之所在。为了较好适应季节变化、外部环境因素以及用户行为的变化，提出一种由SLSTM和MLSTM两种架构组成的XLSTM短期负荷预测模型，并利用两种架构的优势捕捉负荷数据中空间和时间的耦合关系，以有效缓解长时间预测后出现数据漂移而导致预测精度下降的问题。通过利用跨季节划分的实际电力系统负荷数据进行单步预测和多步预测仿真，并与独立的 LSTM 和CNN-LSTM 模型进行了对比分析。仿真结果表明， XLSTM 模型在单步预测和多步预测中的精度都明显优于其他模型，验证了其具有较强的模型泛化性与缓解短期负荷预测数据漂移的有效性。

关键词：短期负荷预测;电力系统;LSTM;CNN-LSTM ;X-LSTM;模型泛化性;数据漂移。

基金资助：国家自然科学基金项目(61672371, 61803279, 61876217, 62203316)；江苏省高等学校基础科学（自然科学） 基金项目（21KJB120010）； 国家重点研发计划课题(2020YFC2006602)。