基于多模态因素与用户分类的区域短期负荷可解释预测方法

牛东晓; 杜若芸; 赵焰佩; 赵伟博; 邱敏; 许晓敏

doi:10.20204/j.sp.2026.01013

您当前的位置：

首页 >

文章列表页 >

基于多模态因素与用户分类的区域短期负荷可解释预测方法

更新时间：2026-02-28

- 基于多模态因素与用户分类的区域短期负荷可解释预测方法
- Vol. 54, Issue 1, Pages: 110-117(2026)
- 作者机构：
  
  1. 华北电力大学经济与管理学院
  2. 需求侧多能互补优化与供需互动技术北京市重点实验室(中国电力科学研究院有限公司)
- 作者简介：
- 基金信息：
- DOI：10.20204/j.sp.2026.01013
  CLC： TM715;TP18
- Published：2026
- 稿件说明：
移动端阅览
牛东晓, 杜若芸, 赵焰佩, et al. 基于多模态因素与用户分类的区域短期负荷可解释预测方法[J]. 2026, 54(1): 110-117.
DOI：

牛东晓, 杜若芸, 赵焰佩, et al. 基于多模态因素与用户分类的区域短期负荷可解释预测方法[J]. 2026, 54(1): 110-117. DOI： 10.20204/j.sp.2026.01013.

摘要

区域短期负荷的准确预测对保障电力系统稳定运行、优化能源资源配置具有重要作用。然而，区域短期负荷受到多种因素的综合影响，且不同用户群体的用电特性差异显著，传统预测方法在可解释性与精度方面存在不足。为此，提出一种基于多模态影响因素与用户分类的区域短期负荷可解释性预测方法。首先，从日期属性、气象条件、社会经济指标等多个维度提取多模态特征，并采用标签编码法将多模态特征转换为数值标签作为后续负荷预测的输入特征；其次，考虑农业、工业、商业、居民等用户群体的用电行为与负荷响应的差异，构建基于贝叶斯优化（Optuna）的极端梯度提升（XGBoost）模型，分别进行负荷功率预测，并通过叠加4类用户的预测结果得到区域总负荷；最后，引入夏普利加可解释性（SHAP）方法分析各影响因素对负荷预测的贡献度以及不同因素之间的交互作用，提高模型的可解释性。以我国西北某区域实际数据为例进行验证，结果表明，所提组合模型具有更好的预测效果和更高的预测精度。

Abstract

To investigate the stability of the hybrid synchronization-controlled grid-forming converter (HSC-GFC) under different grid conditions and reveal the influence law of the phase-locked loop (PLL) on its damping characteristics

its output impedance model is first established

considering the multi-loop control dynamics of the HSC-GFC. Then

the impact of the PLL on the impedance characteristics of the HSC-GFC is analyzed. Based on the impedance ratio criterion

the stability issues of the HSC-GFC when connected to grids of different strengths and to series capacitor-compensated grids are revealed. Finally

the small-signal stability phenomena of the HSC-GFC in different grid environments are verified through simulation and experiment. The research results indicate that when the PLL proportional coefficient is large

the output impedance of the HSC-GFC produces a low-frequency negative damping region

making it prone to subsynchronous oscillation problems in both inductive and series capacitor-compensated grids

with instability risks existing over a wide range of grid strengths and series compensation levels.

关键词

Keywords

references

姜旭初,许宇澄,宋超.短期风力发电负荷预测的新方法[J].北京师范大学学报(自然科学版),2022(01).

高超,孙谊媊,赵洪峰,曹培芳.基于ICOA-LSTM的短期负荷预测研究[J].电子测量技术,2022(13).

丁宏,陶晓峰,陆春艳,张士成.基于RWT-SVM的台区配电网日前负荷预测研究[J].南京信息工程大学学报(自然科学版),2023(03).

陈宋宋,王阳,周颖,邱敏,赵伟博,郭耀扬,赵波.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(12).

魏东,杨洁婷,韩少然,朱准.基于XGBoost-神经网络的建筑负荷预测模型构建[J].科学技术与工程,2023(29).

周思明,段金长,李颖杰,覃海.一种改进的SVM短期电力系统负荷预测方法[J].沈阳工业大学学报,2023(06).

王晨,李又轩,吴其琦,邬蓉蓉.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(04).

黄文琦,梁凌宇,王鑫,赵翔宇,宗珂,孙凌云.基于变量选择与Transformer模型的中长期电力负荷预测方法[J].浙江大学学报(理学版),2024(04).

苏子越,柴琳,谢亮,肖凡.基于变分模态分解的综合能源系统短期电负荷预测[J].热力发电,2024(12).

唐竹,肖宇航,郭淳,梅秋怡,王森,郑宽昀,毛新颖.基于CEEMDAN模态分解和TCN-BiGRU的短期电力负荷预测[J].智慧电力,2024(12).

张欣,李林.基于随机森林的季节性电动汽车充电负荷预测[J].软件工程,2024(11).

殷建华,戴冠正,丁宁,辛晓钢,张谦,杜荣华.基于STL-Informer-BiLSTM-XGB模型的供热负荷预测[J].科学技术与工程,2024(21).

朱莉,高靖凯,朱春强,邓凡.基于分量感知动态图Transformer的短期电力负荷预测[J].计算机应用研究,2025(02).

曹秀梅,赵文,王志国,何鹏.基于Optuna-XGBoost的砂土地层盾构渣土改良剂预测[J].东北大学学报(自然科学版),2024(12).

马恒瑞,袁傲添,王波,杨昌华,董旭柱,陈来军.基于深度学习的负荷预测研究综述与展望[J].高电压技术,2025(03).

范士雄,李东琦,郭剑波,王铁柱,马士聪,赵泽宁.基于时变滤波经验模态分解-重构和独立自注意力机制的iTransformer超短期负荷预测方法[J].电网技术,2025(06).

李科,潘庭龙,许德智.基于MSCNN-BiGRU-Attention的短期电力负荷预测[J].中国电力,2025(06).

赵泽坤,高岩,安晶晶,王者.基于浅层和深度机器学习算法的区域建筑电力负荷预测研究[J].建筑科学,2025(02).

张恒,郑建勇,梅飞,徐睿麟.基于VMD和辅助任务学习的短期负荷预测方法[J].电力系统保护与控制,2025(05).

黄冬梅,杨旭,胡安铎,卞正兰,孙园,孙锦中.基于CNN-BiGRU-XGBoost的新型电力系统虚假数据注入攻击检测[J].电网技术,2025(05).

冉启武,石卓见,刘阳,黄杰,张宇航.考虑复合指标优化模态分解和Stacking集成的综合能源系统多元负荷预测[J].电网技术,2025(03).

商立群,贾丹铭,安迪,王俊昆.基于CEEMD的分特征组合超短期负荷预测模型[J].广西师范大学学报(自然科学版),2025(05).

李楠,金淳熙,陶亮,黄亮.基于多尺度二次特征提取的短期电力负荷预测模型[J].电力系统保护与控制,2025(19).

戴玮,牛奔,石建国,吕小凡.基于域对抗迁移学习的区域电力负荷短期预测[J].计算机仿真,2025(10).

刘赫,满轲,刘晓丽,宋志飞.基于Optuna-SAM-LSTM模型的TBM刀盘贯入度超前预测[J].隧道建设(中英文),2024(S2).

Views

下载量

CSCD

Alert me when the article has been cited

提交

Tools

Publicity Resources

No data

Related Author

No data

Related Institution

No data

AI问答

⁰