引言

在全球能源結構轉型的背景下，電力需求預測作為能源規劃與電網調度的重要環節，一直是學術界與工業界關注的熱點研究領域[1]。電力需求預測的準確性直接影響電力系統的穩定性與經濟性，同時也是實現可再生能源高效利用、能源結構優化以及低碳化發展的重要基礎[2]。國內外學者針對這一問題提出了多種預測方法。深度學習方法尤其是長短時記憶（Long Short-Term Memory，LSTM）網絡，因其能夠捕捉時間序列數據的長期與短期依賴特性，已被廣泛應用于電力需求預測領域[3]。Wan等人提出了一種結合LSTM的融合模型，在短期電力負荷預測任務中，較傳統LSTM模型提高了預測精度[4]。Bareth等人提出了一種基于歷史負荷趨勢的LSTM模型用于長期電力負荷需求預測，適用于實時負荷需求預測[5]。然而，這些方法在特征選擇、數據處理和模型優化方面仍然存在諸多挑戰，限制了其性能的進一步提升[6]。

近年來，基于數據驅動的預測方法逐漸成為研究熱點。這些方法依賴于大規模歷史數據和先進的學習算法，通過對數據特征的深度挖掘和多維建模，能夠突破傳統方法對系統動態假設的依賴，從而更加精準地捕捉電力需求的復雜變化規律[7]。羅俊然等人提出了一種基于特征構建和改進LSTM的短期電量預測方法，通過數據分析與篩選，有效地提取數據特征，實現更高的預測精度[8]。Kim等人提出了一種基于LSTM和遷移學習策略的數據驅動建筑能耗預測方法，通過對醫院建筑模型的案例研究進行驗證[9]。然而，數據驅動方法在實際應用中仍面臨一些局限性，例如多源異構數據特征的分布不一致、特征間的依賴關系難以建模，以及噪聲與異常值對模型性能的干擾等。此外，針對多維特征的權重分配與優化仍是難點，直接影響模型對不同特征的敏感性與預測性能[10]。

針對特征分布的統一化處理這一問題，國內外研究者提出了基于統計學與概率論的多種變換方法，例如Box-Cox變換、Copula模型等[11]。然而，單一方法往往難以兼顧特征間的相關性與分布特性的調整，導致數據轉換后的適配性不足。此外，隨著電力需求預測任務的復雜化，對數據處理方法的魯棒性與泛化能力提出了更高要求。

在模型優化方面，傳統的網格搜索或隨機搜索方法雖然能夠找到模型的超參數組合，但效率較低且難以應對高維參數的復雜性[12]。近年來，貝葉斯優化因其能夠在少量迭代中快速找到最優解而受到關注[13]。

在這一背景下，本文針對現有研究中存在的數據分布不一致、特征依賴關系建模不足以及超參數優化等問題，提出了一種基于數據變換融合與模型集成的電力需求預測方法，涵蓋數據變換融合方法、基于特征重要性權重的網絡模型、 超參數優化與并行計算三個模塊內容，旨在為復雜時間序列預測任務提供更可靠、更精準的解決方案。

本文詳細內容請下載：

http://www.niudingfeng.com/resource/share/2000006681

作者信息：

劉衍琦1，楊翰琨2，楊昌玉1，吳缺2

（1.煙臺理工學院，山東 煙臺 264005；

2.哈爾濱工程大學 煙臺研究院，山東 煙臺 265500）