滚动信息2

摘要：短期负荷预测是电力系统进行调度运行、经济调度和电力市场交易的基础，在新能源的大规模接入背景下，伴随着电动汽车充电负荷的增长和极端天气的发生，电力负荷表现出更强烈的非线性、波动性和多因素耦合特性，传统的统计方法已经无法满足对负荷的高精度预测要求。本文总结了当前基于机器学习的方法应用于短期负荷预测的研究现状，着重介绍了LSTM、Transformer和混合模型的特点及其实际工程的应用情况并结合2026年的行业应用发展讨论了大模型驱动、概率预测、多源数据融合的发展趋势；可以看出，目前机器学习已经成为短期负荷预测的主要手段，其发展方向会继续朝着多模态大模型、物理-数据混合驱动和边缘智能的方向不断前进。关键词：短期负荷预测；机器学习；Transformer；LSTM；大模型；新型电力系统

一、引言

一般而言，短期负荷预测（Short-Term Load Forecasting,STLF），是指对未来几小时到几天甚至几周内的电力需求做出预测，其预测结果直接影响着发电机组的启停计划、备用容量安排、电力市场的出清价格及新能源消纳方案等等。有研究指出，预测误差减少1%，可以节约上亿的运行费用。随着“双碳”目标的提出与新型电力系统的加快建设，负荷侧出现了许多新的特点：一是由于高比例分布式光伏接入使得净负荷曲线出现更加明显的“鸭子型”，二是数据中心、智算中心等高密度负荷快速发展，广东电网在2024年的夏季最大负荷已突破150GW，日峰谷差率达到50%以上，并且极端天气频繁发生造成负荷突变的风险加大，这都给预测带来了更高的挑战。

二、机器学习预测方法研究现状

（一）深度学习主流模型

LSTM与GRU模型：长短期记忆网络（LSTM）、门控循环单元（GRU）,利用门控机制解决了传统RNN存在的梯度消失的问题并且能捕获负荷序列中存在长期依赖性的特点，是目前短期负荷预测最常用到的深度学习模型;在应用LSTM模型做省级电网日前负荷预测的时候它的MAPE可以做到5%左右水平。而GRU结构更简单而且收敛速度更快，在小时级预测上有出色的表现。

（二）数据预处理与特征工程

高质量的数据是机器学习模型发挥作用的前提。短期负荷预测的数据预处理主要包含以下几个步骤：

1. 异常值处理：使用水平处理(以相邻时段作为参考)与垂直处理(对比历史同期)，对离群数据进行修正；

2. 缺失值填补：用埃尔米特插值、三次样条插值等方式保证数据连续性；3．数据分解：使用VMD, CEEMDAN等分解技术把非平稳的负荷序列拆分成若干个相对平稳的子序列，减少模型的学习难度4．特征选择：使用皮尔逊相关系数、最大信息系数等方法选取重要的气象特征，在研究中发现温度是最重要的影响负荷的因素，其次是太阳辐射和湿度。

三、工程应用实践

（一）电网企业规模化应用

近几年来，基于机器学习的负荷预测技术已经由学术研究逐步发展到大规模工程化应用阶段，在南方电网"大瓦特·天衍"一体化AI负荷预测系统于2022年开始单轨运行后，完全取代了人工经验预测，南方五省区全年负荷预测准确率均值超过了98%，其效率是传统人工方式的10倍以上；国家电网"光明电力大模型"已在浙江、江苏等省开展了应用验证工作，并实现了省级日前负荷预测精度达98.18%和地市级96.67%。

（二）典型技术案例

案例一：某市级电网使用了VMD-SHO-LSTM混合模型进行负荷预测，其中用变分模态分解对负荷中的高频噪声进行了分离，并且使用海马优化器来自动搜索LSTM的超参数设置，与传统的LSTM相比其RMSE降低了37.5%，并且峰谷预测误差小于2%；案例二：基于多云协同的并行多模型预测框架中结合了SARIMAX、SVM和LSTM三个模型，加入了偏差修正机制以及“三取二”云投票容错策略，在PJM数据集中使得MAPE由原来的2.21%下降到0.88%，相对降幅达到60.18%。

四、发展趋势

（一）大模型驱动的智能预测

2026年：电力行业的大模型开始加速落地应用。南方电网的“大瓦特·多模态2.0”融合了文本、设备图像、时序负荷、电网拓扑等多种类型的数据，并内嵌电网的安全规程以及设备的物理机理；国家电网的“光明电力大模型”，在电力时序统一表示学习、因果掩码注意力机制等方面取得关键性进展，具有较强地时序特征挖掘和泛化推演的能力。大模型正引领着负荷预测由“单一模型”走向“通用基础模型+场景微调”。

（二）概率预测与不确定性量化

随着新能源渗透率的不断提高，仅依靠点预测已经无法满足调度决策的需求，因此需要考虑概率预测的方向，在基于高频增强扩散模型的短期净负荷概率预测中，利用交叉注意力机制建立条件扩散模型可以得到质量较高的预测区间，从而支持在高比例清洁能源接入情况下的电网安全运行。（三）多源异构数据融合

未来的负荷预测将会融合更多的数据如：气象卫星云图、社交媒体的文本、交通流量和用户的使用行为等等来挖掘隐性的需求特征，并且利用联邦学习的技术可以对多个地区的数据进行联合训练在保证用户隐私的前提下提高模型的泛化能力。五、结语

目前，基于机器学习的方法已经成为电力系统短期负荷预测的主要技术支持手段，并且从LSTM到Transformer再到行业大模型，其演进路线十分明确，在实际工程中取得了良好的效果。在应对新型电力系统的高比例新能源、高弹性负荷以及极端天气等挑战下，短期负荷预测技术将继续朝着多模态大模型驱动、概率化的不确定性量化、物理-数据混合建模和边缘智能部署的方向深入发展；在未来，伴随着人工智能技术和电力系统机理的融合，高精度、高可靠、可解释的智能负荷预测将会给电网的安全稳定运行及"双碳"目标的达成带来更加坚实的保证。参考文献：[1]肖亮,黄河,刘春晓,等.基于改进深度神经网络的新型电力系统超短期电力负荷预测[J/OL].电测与仪表,1-11[2026-10-18].https://link.cnki.net/urlid/23.1202.th.20260924.1605.002.

耿晓强¹，唐修金²，赵国锋³

莱芜职业技术学院