电力市场观察 微信公众号 行业动态

发布：2026-06-03 · 事件：2026-06-03 08:19:59

来源： 《中国电力》2026年第5期 引用本文： 随泽远, 王军, 彭宏, 等. 基于门控脉冲神经P系统模型的概率负荷预测[J]. 中国电力, 2026, 59(5): 46-56. SUI Zeyuan, WANG Jun, PENG Hong, et al. Probabilistic load prediction based on gated spiking neural P system...

电力系统

来源： 《中国电力》2026年第5期 引用本文： 随泽远, 王军, 彭宏, 等. 基于门控脉冲神经P系统模型的概率负荷预测[J]. 中国电力, 2026, 59(5): 46-56. SUI Zeyuan, WANG Jun, PENG Hong, et al. Probabilistic load prediction based on gated spiking neural P system model[J]. Electric Power, 2026, 59(5): 46-56. DOI:  10.11930/j.issn.1004-9649. 202505075 摘要 传统的确定性负荷预测无法提供负载的不确定性信息，概率负荷预测能够生成预测值不确定性的概率分布，为电网调度决策提供更丰富的信息。为了进一步提高概率负荷预测的精度，提出了一种包含最小绝对收缩和选择算子（least absolute shrinkage and selection operator，LASSO）及门控脉冲神经P系统（gated spiking neural P system，GSNP）的LASSO-GSNP模型。首先，运用LASSO从最低温度、最高温度、平均温度、平均湿度和降雨量等外部特征中提取关键特征；随后，提出了改进的GSNP模型实现概率负荷预测，以提升长时间序列预测的性能。使用2个不同尺度的长时间序列数据集作为算例，结果表明，所提模型在预测精度指标和预测区间质量上均优于其他几种典型模型。 研究背景 在电力系统的运行和管理中，准确的负荷预测能够很好地帮助电力企业优化发电和电网运行，并能提高能源利用率。随着可再生能源在智能电网中的日益普及和建筑用电负荷的不断增加，其准确预测对系统设计、控制和相关优化至关重要。目前，概率预测方法由于能够评估各种不确定性的影响而受到越来越多的关注。概率预测大致可分为3类：分位数预测、区间预测和概率密度预测。其中，基于分位数回归的概率预测方法更为流行且发展迅速。因此，如何提高分位数回归概率负荷预测性能已成为研究热点。现有的基于分位数回归的概率预测方法主要分为两大类，即基于统计的方法和基于机器学习的方法。由于机器学习能够更好地处理非线性问题和多维数据，其预测性能相比统计方法有更明显的提升。目前，常用的机器学习算法主要包括支持向量机、极限梯度增强、随机森林和深度学习算法等。深度学习具有自动特征提取和强大的非线性映射能力，在处理复杂数据和任务时展现出卓越的性能。其中分位数回归神经网络（quantile regression neural network，QRNN）、长短期记忆网络（long short-term memory，LSTM）和门控循环单元网络（gated recurrent unit，GRU）模型在概率负荷预测中得到了深入研究。 针对现有概率负荷预测方法中，如何选取最相关特征以及避免传统循环神经网络在预测长时间序列时精度下降的问题，本文提出一种基于LASSO-GSNP模型的分位数回归概率预测模型。门控脉冲神经P系统（gated spiking neural P system，GSNP）是脉冲神经P系统（spiking neural P system，SNP）的一种新型非线性变体，用于处理时间序列预测。在GSNP系统中，为处理时间预测问题，与传统SNP系统最大的区别在于引入了复位门和消耗门这两个门控机制。双门控机制通过控制信息的传递和遗忘，使模型能够保留有用的历史信息，减轻长时间依赖问题带来的影响。此外，GSNP相较于传统神经网络引入了一种基于神经元的脉冲机制，该机制使信息在神经元之间通过离散的脉冲信号传输，有助于保留重要信息，且无需持续激活所有神经元，从而减少了信息丢失对预测精度的影响。 本文首先使用LASSO算法筛选出影响负荷最相关的外部特征数据，有效地降低数据维度。其次，基于传统GSNP模型，将损失函数替换为分位数回归损失函数，生成不同置信度下的预测值，实现分位数概率预测。最后，利用两个不同时间尺度的长时间序列的数据集，将本文提出的混合模型与其他常用循环神经网络预测模型进行结果对比，验证所提方法的有效性。 结论 为提高概率负荷预测的精度，本文分析了如何通过数据选取和利用新型脉冲神经P系统网络来提升预测性能，并提出了一种基于LASSO-GSNP模型的分位数概率预测方法，主要结论如下。 1）采用的LASSO算法可有效筛选出负荷最相关的特征，从而避免因考虑不相关特征导致的预测精度下降。 2）采用的QRGSNP模型实现了概率负荷预测。相较于以往的脉冲神经P系统模型，其在结构上引入了门控规则以选择性更新信息，并利用脉冲机制传递信息，从而提升了长时间序列预测的性能。 3）本文提出的方法不仅能得到较高精度的分位数预测结果，而且在区间预测上也表现优异，为实际应用提供了可靠的技术支持。 值得一提的是，本文所提出的模型性能可能受参数设置的影响，以及不同季节和不同时间段对预测的影响。在后续研究中，可考虑如何筛选出最优的参数配置以及在特征输入中加入季节和时间段的动态因素，从而进一步提高概率预测的精度。此外，未来还可研究极端天气和突发事件下的精确概率预测。 作者简介 随泽远 随泽远（1998），男，硕士研究生，从事电力系统负荷预测研究，E-mail：suizeyuan@stu.xhu.edu.cn； 王军（1966），女，通信作者，博士，教授，从事分布式电源和微电网管控技术、电力电子节能技术、新型交流电机控制技术、智能控制技术、膜计算等研究，E-mail：wj.xhu@outlook.com； 彭宏（1966），男，博士，教授，从事模式识别与图像处理、生物启发的新型计算模型等研究，E-mail：ph.xhu@hotmail.com。 注：本文内容呈现略有调整，如需要请查看原文。 往期回顾 ◀  《中国电力》2026年第5期抢先看 ◀  国网江苏省电力有限公司 唐佳杰 等｜考虑无人机恢复临时通信的有源配电网故障恢复策略 ◀  中国电力科学研究院有限公司 张怀天 等｜基于Transformer-集成学习的配电网短期负荷预测方法 ◀  三峡大学 徐恒山 等｜考虑储氢状态和直流母线电压稳定性的电氢耦合储能直流微网协调控制策略 ◀  内蒙古工业大学 苑曙光 等｜容量电价机制作用下煤电项目亏损风险区域识别研究 ◀  “超高比例新能源系统电力电量置信平衡机制及多类型电源概率化规划技术”专题征稿启事 ◀  “‘双碳’目标下支撑能源转型的电价市场化改革与价格监管”专题征稿启事 ◀  “电力电子化电力系统故障控制与保护关键技术”专题征稿启事 ◀  “构网型新能源接入条件下新形态配电系统保护控制与故障处置关键技术”专题征稿启事 编辑： 许新雨 校对： 于静茹 审核：张红宪 声明 根据国家版权局最新规定，纸媒、网站、微博、微信公众号转载、摘编《中国电力》编辑部的作品，转载时要包含本微信号名称、二维码等关键信息，在文首注明《中国电力》原创。个人请按本微信原文转发、分享。欢迎大家转载分享。