基于频域增强Transformer的多用户短期负荷预测方法

doi:10.12096/j.2096-4528.pgt.260211

摘要/Abstract

摘要：

目的负荷预测对于电力系统规划和运行至关重要。然而，新能源的高比例接入引发的源荷不确定性增大，使得新型电力系统负荷的波动性增加，导致多用户负荷准确预测的难度增大。为提高新型电力系统短期负荷预测的精度，提出一种基于频域增强Transformer的多用户短期负荷预测方法。方法利用Transformer中的编码器捕捉多负荷序列的特征信息；通过离散余弦变换(discrete cosine transform，DCT)获取其中的频域信息，并用通道注意力机制进行数据增强；利用Transformer中的解码器整合特征信息输入到全连接层中，得到预测数据。为验证所提方法的优越性，采用Electricity dataset数据集进行算例分析，并将所提方法与5种常用负荷预测方法进行对比分析。结果该方法与传统的Transformer负荷预测模型相比，误差降低了21.8%。结论所提方法在准确性和稳定性方面表现优异，在实际应用中具有可行性。

关键词: 电力负荷预测, 新能源, 源荷不确定性, 深度学习, Transformer模型, 离散余弦变换, 通道注意力机制, 数据增强

Abstract:

Objectives Load prediction is crucial for power system planning and operation. However, the high proportion of new energy increases source-load uncertainty, leading to greater volatility in the load of new-type power systems, which makes it more difficult to accurately ^{predict multi-user load. To improve the accuracy of short-term load forecasting in new power systems, a multi-user short-term load prediction method based on frequency-domain enhanced Transformer is proposed. Methods The encoder in the Transformer is used to capture the feature information of multi-load sequences. The frequency-domain information is obtained by the discrete cosine transform (DCT), and the channel attention mechanism is used for data enhancement. The decoder in the Transformer is used to integrate the feature information which is then fed into the fully connected layer to obtain the prediction data. To verify the superiority of the proposed method, the Electricity dataset is used for case analysis, and a comparative analysis is conducted between the proposed method and five commonly used load forecasting methods. Results Compared with the traditional Transformer load prediction model, the error of the proposed method is reduced by 21.8%. Conclusions The proposed method demonstrates excellent accuracy and stability, showing feasibility for practical applications.}

Key words: power load forecasting, new energy, source-load uncertainty, deep learning, Transformer model, discrete cosine transform, channel attention mechanism, data enhancement

中图分类号:

TK 01

宋立业, 孟凡宇, 陈郁林, 宋信萍. 基于频域增强Transformer的多用户短期负荷预测方法[J]. 发电技术, 2026, 47(2): 336-344.

Liye SONG, Fanyu MENG, Yulin CHEN, Xinping SONG. Multi-User Short-Term Load Prediction Method Based on Frequency-Domain Enhanced Transformer[J]. Power Generation Technology, 2026, 47(2): 336-344.

图/表 6

图1 SENet原理结构图

Fig. 1 SENet principle structure

图2 频域增强通道注意力机制结构图

Fig. 2 Structure of frequency-domain enhanced channel attention mechanism

图3 基于频域增强的Transformer多负荷时间序列的负荷预测模型框架

Fig. 3 Framework of load prediction model for Transformer-based multi-load time series with frequency-domain enhancement

表1 各预测模型的性能比较

Tab.1 Performance comparison of different prediction models

模型	MSE/MW²		MAE/MW
模型	24 h	96 h	24 h	96 h
ARIMA	0.363	0.395	0.399	0.407
LSTM	0.237	0.268	0.263	0.283
MLP	0.101	0.139	0.199	0.236
PatchTST	0.109	0.142	0.248	0.263
Transformer	0.116	0.149	0.256	0.289
本文方法	0.105	0.117	0.203	0.223

图4 各方法预测结果与实际负荷对比图

Fig. 4 Comparison of predicted results of different methods with actual load

表2 各预测模型对多用户数据预测性能比较

Tab. 2 Performance comparison of different prediction models for multi-user data

预测模型	MSE/MW²	MAE/MW
LSTM	0.109	0.207
MLP	0.113	0.225
PatchTST	0.095	0.190
Transformer	0.093	0.184
本文方法	0.085	0.171

参考文献 36

[1]	程志友，余国晓，丁柏宏．采用改进温湿度变量策略的夏季短期负荷预测方法[J]．电力系统保护与控制，2020，48(1)：48-54． doi:10.19783/j.cnki.pspc.190205
	CHENG Z Y， YU G X， DING B H ．Summer short-term load forecasting method based on improved temperature and humidity variable strategy[J]．Power System Protection and Control，2020，48(1)：48-54． doi:10.19783/j.cnki.pspc.190205
[2]	刘义艳，李国良，代杰．基于VMD-TCN-BiLSTM-Attention的短期电力负荷预测[J]．智慧电力，2025，53(10)：87-94．
	LIU Y Y， LI G L， DAI J ．Short-term power load forecasting based on VMD-TCN-BiLSTM-attention[J]．Smart Power，2025，53(10)：87-94．
[3]	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，2025，58(6)：10-18． doi:10.11930/j.issn.1004-9649.202406098
	LI K， PAN T L， XU D Z ．Short-term power load forecasting based on MSCNN-BiGRU-attention[J]．Electric Power，2025，58(6)：10-18． doi:10.11930/j.issn.1004-9649.202406098
[4]	冉启武，张宇航．基于模态分解及GRU-XGBoost短期电力负荷预测[J]．电网与清洁能源，2024，40(4)：18-27．
	RAN Q W， ZHANG Y H ．Short-term power load forecasting based on modal decomposition and GRU-XGBoost[J]．Power System and Clean Energy，2024，40(4)：18-27．
[5]	申洪涛，李飞，史轮，等．基于气象数据降维与混合深度学习的短期电力负荷预测[J]．电力建设，2024，45(1)：13-21．
	SHEN H T， LI F， SHI L，et al ．Short-term power load forecasting based on reduction of meteorological data dimensionality and hybrid deep learning[J]．Electric Power Construction，2024，45(1)：13-21．
[6]	刘璐瑶，陈志刚，沈欣炜，等．基于EMD-MLP组合模型的用电负荷日前预测[J]．南方能源建设，2024，11(1)：143-156． doi:10.16516/j.ceec.2024.1.15
	LIU L Y， CHEN Z G， SHEN X W，et al ．Day-ahead forecast of electrical load based on EMD-MLP combination model[J]．Southern Energy Construction，2024，11(1)：143-156． doi:10.16516/j.ceec.2024.1.15
[7]	张明泽，栾文鹏，艾欣，等．基于边缘计算的台区短期负荷预测方法[J]．电测与仪表，2024，61(4)：93-99．
	ZHANG M Z， LUAN W P， AI X，et al ．Short-term substation load forecasting method based on edge computing[J]．Electrical Measurement & Instrumentation，2024，61(4)：93-99．
[8]	许青，张龄之，梁琛，等．基于联合时序场景和改进TCN的高比例新能源电网负荷预测[J]．广东电力，2024，37(1)：1-7． doi:10.3969/j.issn.1007-290X.2024.01.001
	XU Q， ZHANG L Z， LIANG C，et al ．Short-term load forecasting for power system with high proportion new energy based on joint sequential scenario and improved TCN[J]．Guangdong Electric Power，2024，37(1)：1-7． doi:10.3969/j.issn.1007-290X.2024.01.001
[9]	张远航，寇鹏，梅铭洋，等．电压敏感型负荷参与频率响应的分层模型预测控制策略[J]．电工技术学报，2026，41(1)：127-141．
	ZHANG Y H， KOU P， MEI M Y，et al ．Control of voltage-dependent loads for grid frequency response based on hierarchical model predictive control[J]．Transactions of China Electrotechnical Society，2026，41(1)：127-141．
[10]	刘洪波，刘珅诚，盖雪扬，等．高比例新能源接入的主动配电网规划综述[J]．发电技术，2024，45(1)：151-161． doi:10.12096/j.2096-4528.pgt.22106
	LIU H B， LIU S C， GAI X Y，et al ．Overview of active distribution network planning with high proportion of new energy access[J]．Power Generation Technology，2024，45(1)：151-161． doi:10.12096/j.2096-4528.pgt.22106
[11]	李永飞，张耀，林帆，等．基于气候特征分析及改进XGBoost算法的中长期光伏电站发电量预测方法[J]．电力系统保护与控制，2024，52(11)：84-92．
	LI Y F， ZHANG Y， LIN F，et al ．Medium-and long-term power generation forecast based on climate characterisation and an improved XGBoost algorithm for photovoltaic power plants[J]．Power System Protection and Control，2024，52(11)：84-92．
[12]	范杏蕊，李元诚．基于改进Autoformer模型的短期电力负荷预测[J]．电力自动化设备，2024，44(4)：171-177． doi:10.16081/j.epae.202305011
	FAN X R， LI Y C ．Short-term power load forecasting based on improved Autoformer model[J]．Electric Power Automation Equipment，2024，44(4)：171-177． doi:10.16081/j.epae.202305011
[13]	陈德启．基于浮动车数据的信号交叉口运行态势推演与配时优化方法[D]．北京：北京交通大学，2021．
	CHEN D Q ．Research on deduction of signalized intersections operation state and timing optimization method based on floating car data[D]．Beijing：Beijing Jiaotong University，2021．
[14]	史佳琪，张建华．基于多模型融合Stacking集成学习方式的负荷预测方法[J]．中国电机工程学报，2019，39(14)：4032-4042． doi:10.13334/j.0258-8013.pcsee.181510
	SHI J Q， ZHANG J H ．Load forecasting based on multi-model by stacking ensemble learning[J]．Proceedings of the CSEE，2019，39(14)：4032-4042． doi:10.13334/j.0258-8013.pcsee.181510
[15]	付小标，侯嘉琪，李宝聚，等．一种二模态天气分型方法及其在光伏功率概率预测的应用[J]．发电技术，2024，45(2)：299-311． doi:10.12096/j.2096-4528.pgt.23017
	FU X B， HOU J Q， LI B J，et al ．A two-modal weather classification method and its application in photovoltaic power probability prediction[J]．Power Generation Technology，2024，45(2)：299-311． doi:10.12096/j.2096-4528.pgt.23017
[16]	王丹，薛激光，旋璇，等．考虑相似日优选的EPGA-BPNN短期光伏功率预测[J]．供用电，2024，41(5)：80-87．
	WANG D， XUE J G， XUAN X，et al ．Short-term PV power prediction of EPGA-BPNN considering similar day preferences[J]．Distribution & Utilization，2024，41(5)：80-87．
[17]	郑婉婷，肖浩，裴玮．基于NGBoost和改进权重优化的区域分布式光伏概率功率预测[J]．供用电，2024，41(7)：19-28．
	ZHENG W T， XIAO H， PEI W ．Probabilistic power forecasting for regional distributed photovoltaic systems using NGBoost and enhanced weight optimization[J]．Distribution & Utilization，2024，41(7)：19-28．
[18]	张宇帆，艾芊，林琳，等．基于深度长短时记忆网络的区域级超短期负荷预测方法[J]．电网技术，2019，43(6)：1884-1892． doi:10.13335/j.1000-3673.pst.2018.2101
	ZHANG Y F， AI Q， LIN L，et al ．A very short-term load forecasting method based on deep LSTM RNN at zone level[J]．Power System Technology，2019，43(6)：1884-1892． doi:10.13335/j.1000-3673.pst.2018.2101
[19]	杨茂，张书天，王勃．基于因果正则化极限学习机的风电功率短期预测方法[J]．电力系统保护与控制，2024，52(11)：127-136．
	YANG M， ZHANG S T， WANG B ．Short-term wind power forecasting method based on a causal regularized extreme learning machine[J]．Power System Protection and Control，2024，52(11)：127-136．
[20]	陈纬楠，胡志坚，岳菁鹏，等．基于长短期记忆网络和LightGBM组合模型的短期负荷预测[J]．电力系统自动化，2021，45(4)：91-97． doi:10.7500/AEPS20200312005
	CHEN W N， HU Z J， YUE J P，et al ．Short-term load prediction based on combined model of long short-term memory network and light gradient boosting machine[J]．Automation of Electric Power Systems，2021，45(4)：91-97． doi:10.7500/AEPS20200312005
[21]	张丽，李世情，艾恒涛，等．基于改进Q学习算法和组合模型的超短期电力负荷预测[J]．电力系统保护与控制，2024，52(9)：143-153．
	ZHANG L， LI S Q， AI H T，et al ．Ultra-short-term power load forecasting based on an improved Q-learning algorithm and combination model[J]．Power System Protection and Control，2024，52(9)：143-153．
[22]	RAFI S H， MASOOD N A， DEEBA S R ．An effective short-term load forecasting methodology using convolutional long short term memory network[C]//2020 11th International Conference on Electrical and Computer Engineering (ICECE)．Dhaka，Bangladesh：IEEE，2021：278-281．
[23]	吕海灿，王伟峰，赵兵，等．基于Wide&Deep-LSTM模型的短期台区负荷预测[J]．电网技术，2020，44(2)：428-436．
	LÜ H C， WANG W F， ZHAO B，et al ．Short-term substation load forecast based on wide & deep-LSTM model[J]．Power System Technology，2020，44(2)：428-436．
[24]	刘友波，吴浩，刘挺坚，等．集成经验模态分解与深度学习的用户侧净负荷预测算法[J]．电力系统自动化，2021，45(24)：57-64． doi:10.7500/AEPS20210517007
	LIU Y B， WU H， LIU T J，et al ．User-side net load forecasting method integrating empirical mode decomposition and deep learning[J]．Automation of Electric Power Systems，2021，45(24)：57-64． doi:10.7500/AEPS20210517007
[25]	吴浩，齐放，张曦，等．基于小波包分解与最小二乘支持向量机的用户侧净负荷预测[J]．现代电力，2023，40(2)：192-200．
	WU H， QI F， ZHANG X，et al ．User-side net load forecasting based on wavelet packet decomposition and least squares support vector machine[J]．Modern Electric Power，2023，40(2)：192-200．
[26]	伍乙杰，黄文灏，赖仕达，等．基于随机森林和双向长短期记忆网络的超短期负荷预测研究[J]．电气自动化，2022，44(5)：35-37． doi:10.3969/j.issn.1000-3886.2022.05.011
	WU Y J， HUANG W H， LAI S D，et al ．Research on ultra-short-term load forecasting based on Random forest and bidirectional long-short-term memory network[J]．Electrical Automation，2022，44(5)：35-37． doi:10.3969/j.issn.1000-3886.2022.05.011
[27]	周念成，廖建权，王强钢，等．深度学习在智能电网中的应用现状分析与展望[J]．电力系统自动化，2019，43(4)：180-191．
	ZHOU N C， LIAO J Q， WANG Q G，et al ．Analysis and prospect of deep learning application in smart grid[J]．Automation of Electric Power Systems，2019，43(4)：180-191．
[28]	赵兵，王增平，纪维佳，等．基于注意力机制的CNN-GRU短期电力负荷预测方法[J]．电网技术，2019，43(12)：4370-4376．
	ZHAO B， WANG Z P， JI W J，et al ．A short-term power load forecasting method based on attention mechanism of CNN-GRU[J]．Power System Technology，2019，43(12)：4370-4376．
[29]	LIAO H Y， RADHAKRISHNAN K K ．Short-term load forecasting with temporal fusion transformers for power distribution networks[C]//2022 IEEE Sustainable Power and Energy Conference (iSPEC)．Perth，Australia：IEEE，2023：1-5． doi:10.1109/ispec54162.2022.10033079
[30]	封钰，宋佑斌，金晟，等．基于随机森林算法和粗糙集理论的改进型深度学习短期负荷预测模型[J]．发电技术，2023，44(6)：889-895． doi:10.12096/j.2096-4528.pgt.23013
	FENG Y， SONG Y B， JIN S，et al ．Improved deep learning model for forecasting short-term load based on random forest algorithm and rough set theory[J]．Power Generation Technology，2023，44(6)：889-895． doi:10.12096/j.2096-4528.pgt.23013
[31]	HUA Q， FAN Z， MU W，et al ．A short-term power load forecasting method using CNN-GRU with an attention mechanism[J]．Energies，2024，18(1)：106． doi:10.3390/en18010106
[32]	韩肖清，李廷钧，张东霞，等．双碳目标下的新型电力系统规划新问题及关键技术[J]．高电压技术，2021，47(9)：3036-3046． doi:10.13336/j.1003-6520.hve.20210809
	HAN X Q， LI T J， ZHANG D X，et al ．New issues and key technologies of new power system planning under double carbon goals[J]．High Voltage Engineering，2021，47(9)：3036-3046． doi:10.13336/j.1003-6520.hve.20210809
[33]	张超然，裘杭萍，孙毅，等．基于预训练模型的机器阅读理解研究综述[J]．计算机工程与应用，2020，56(11)：17-25． doi:10.3778/j.issn.1002-8331.2001-0285
	ZHANG C R， QIU H P， SUN Y，et al ．Review of machine reading comprehension based on pre-training language model[J]．Computer Engineering and Applications，2020，56(11)：17-25． doi:10.3778/j.issn.1002-8331.2001-0285
[34]	李云松，张智晟．基于GRU-TGTransformer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．
	LI Y S， ZHANG Z S ．Multi load short-term forecasting of an integrated energy system based on a GRU-TGTransformer[J]．Power System Protection and Control，2023，51(15)：33-41．
[35]	孟伟，俞斌，白隆，等．基于STGCN-Transformer的短期电力净负荷预测[J]．中国测试，2025，51(6)：160-169．
	MENG W， YU B， BAI L，et al ．Short-term electricity net load forecasting based on STGCN-Transformer[J]．China Measurement & Test，2025，51(6)：160-169．
[36]	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]．电测与仪表，2026，63(2)：138-147．
	LIU W， CAI D S， FENG F Y，et al ．Research on short-term electric load forecasting based on DCT-CNN-GRU[J]．Electrical Measurement & Instrumentation，2026，63(2)：138-147．