An intelligent feature-optimized dynamic weighted small-data ensemble framework for multi-step power load forecasting

Jinxing Che

doi:10.1016/j.asoc.2026.116173

An intelligent feature-optimized dynamic weighted small-data ensemble framework for multi-step power load forecasting

2026-08-01

0

PRE

AI

DOI：10.1016/j.asoc.2026.116173

原文链接

原文求助

摘要

En 中文

随着智能电网和可再生能源集成的发展，准确的多步电力负荷预测对于电力相关工作至关重要。日峰值负荷序列具有多种不利特性，导致预测误差随着预测时长的增加而增长。本文提出了一种智能特征优化、动态加权、小数据集集成框架用于多步电力负荷预测，该框架整合了多级小波分解、融合的互信息（MI）-SHAP特征选择策略、基于JADE的耦合联合超参数优化以及指数加权移动平均（EWMA）自适应加权机制来集成异构的支持向量回归（SVR）和XGBoost学习器。与现有的混合SVR-XGBoost集成方法不同，后者通过网格搜索或独立的元启发式运行独立调整超参数，本研究制定了一个耦合优化目标并在单次JADE执行中求解，消除了因解耦参数校准引起的性能损失。与常规特征选择流程不同，后者在所有预测时长内应用单一全局特征子集，本研究为每个预测时长分别实施MI-SHAP融合，产生特定于时长的最优特征子集，其维度在2到6之间，跨不同时长和年份变化。此外，本研究创新地将成熟的EWMA机制与JADE优化的异构学习器在小样本条件下耦合，形成了一种针对小样本训练场景的动态自适应加权策略。所提出的框架在City A（2021-2023）和独立City B 2019年的日峰值负荷数据集上进行了系统评估，并纳入了七个统计、机器学习和深度学习基线进行综合基准测试。在一步和两步预测时长下，所提出的方法在所有八种比较模型中实现了最低的均方根误差（RMSE），并在三步预测时长下保持高度竞争力；对于一步预测，与最强的深度学习基线相比，平均RMSE降低了约40%。消融实验证实小波分解和MI-SHAP特征选择提供了最大的误差降低，而JADE和EWMA带来了额外的时长依赖性改进。成对Wilcoxon检验和Friedman检验确认这些改进在统计上显著（p < 0.05和p < 0.001），重复运行显示所提出的框架比深度学习基线稳定得多，变异系数为0.23%-3.27% versus 4.6%-24.0%。这些结果表明，在小型数据集条件下，该方法为多步负荷预测提供了一种准确、稳定、可解释且计算紧凑的解决方案。

Keyword:

Multi-step power load forecasting

MI-SHAP feature selection

JADE optimization

EWMA dynamic ensemble

Small-data forecasting

An intelligent feature-optimized dynamic weighted small-data ensemble framework for multi-step power load forecasting

摘要

期刊

机构

引用论文