A Novel Two-Stage Forecasting Framework with Difference-Based Learning for Power Load Forecasting

Zhongpeng Li

doi:10.1109/tsusc.2026.3720821

A Novel Two-Stage Forecasting Framework with Difference-Based Learning for Power Load Forecasting

2026-08-05

0

PRE

AI

DOI：10.1109/tsusc.2026.3720821

原文链接

原文求助

摘要

En 中文

短期负荷准确预测对电力系统的安全高效运行至关重要，尤其在需求波动加剧和可再生能源渗透率不断增长的背景下。然而，负荷序列的强非平稳性给现有预测模型带来了显著挑战，导致难以有效捕捉复杂的时序动态和快速变化的负荷模式。为解决这些问题，本文提出了一种两阶段分解网络（TSD-NET）作为预测框架，通过分阶段预测、渐进式精炼和结构化输出融合应对上述挑战。该两阶段架构首先捕捉粗粒度时序趋势以建立稳定的预测基准，随后针对短期波动进行针对性调整，从而缓解非平稳性的不利影响。为增强模型学习精细负荷特征的能力，网络引入了一系列精炼模块以迭代提取先前未充分学习的模式。采用结构化融合模块整合各阶段输出，提升预测精度。在澳大利亚、上海和泰托安实际数据集上的大量实验表明，该方法相比最佳基线将均方误差（MSE）降低最高达46.2%，平均绝对百分比误差（MAPE）降低最高达23.7%，并使决定系数 $R^{2}$ 提升4.5个百分点，为复杂电力系统环境下的动态负荷预测提供了稳健且泛化性强的解决方案。

Keyword:

TSD-NET

Load Forecasting

Two-Stage Model

Long Short-Term Memory

Non-Stationary Time Series

Sequence-to-Sequence

A Novel Two-Stage Forecasting Framework with Difference-Based Learning for Power Load Forecasting

摘要

期刊

机构

引用论文