基于改进分位数回归的短期负荷预测及在线学习方法研究

doi:10.16628/j.cnki.2095-8188.2026.03.005

电器与能效管理技术 ›› 2026, Vol. 0 ›› Issue (3): 32-43.doi: 10.16628/j.cnki.2095-8188.2026.03.005

基于改进分位数回归的短期负荷预测及在线学习方法研究

储琳琳¹, 宗明¹, 张宇俊¹, 易越¹, 郑予容¹, 韦宁², 贾雅君²

¹ 国网上海市电力公司市南供电公司, 上海 200030
² 上海君世电气科技有限公司, 上海 200240

收稿日期:2025-11-28 出版日期:2026-03-30 发布日期:2026-04-20
作者简介:储琳琳(1978—),女,正高级工程师,主要从事电力系统规划设计研究工作。|宗明(1969—),男,正高级工程师,主要从事电力系统规划设计研究工作。|张宇俊(1975—),女,高级经济师,主要从事电力系统规划设计研究工作。
基金资助:
国家电网有限公司科技项目(520933250002)

Research on Short-Term Load Forecasting and Online Learning Method Based on Improved Quantile Regression

CHU Linlin¹, ZONG Ming¹, ZHANG Yujun¹, YI Yue¹, ZHENG Yurong¹, WEI Ning², JIA Yajun²

¹ State Grid Shanghai Municipal Electric Power Company, Shinan Power Supply Company, Shanghai 200030, China
² Shanghai Junshi Electric Technology Co., Ltd., Shanghai 200240, China

Received:2025-11-28 Online:2026-03-30 Published:2026-04-20

摘要/Abstract

摘要：

针对高比例可再生能源并网与需求侧弹性增强背景下,传统确定性负荷预测难以满足电力系统风险评估与决策优化需求的问题,开展短期负荷不确定性预测研究。构建改进分位数回归神经网络模型,采用倾斜分位数损失函数与区间后处理方法提升预测精准度与可靠性;结合负荷模式动态变化特征,提出基于弹性权重合并(EWC)的在线学习方法实现模型参数动态更新。实验结果表明,所提分位数预测方法在维持高覆盖率的同时,预测区间归一化平均宽度优于传统方法,且在线学习后覆盖率显著提升,验证了方法的有效性与适应性。

关键词: 短期负荷预测, 不确定性预测, 改进分位数回归, 在线学习

Abstract:

Against the backdrop of high penetration of renewable energy integration and enhanced demand-side flexibility,traditional deterministic load forecasting methods struggle to meet the requirements of risk assessment and decision optimization in power systems.Research on short-term load uncertainty forecasting is conducted.An improved quantile regression neural network model is constructed,adopting a tilted quantile loss function and interval post-processing method to enhance prediction accuracy and reliability.Considering the dynamic variation characteristics of load patterns,an online learning method based on elastic weight consolidation (EWC) is proposed to realize dynamic updates of model parameters.Experimental results show that the proposed quantile forecasting method outperforms traditional methods in terms of normalized average width of prediction intervals while maintaining high coverage,and the coverage is significantly improved after online learning,verifying the effectiveness and adaptability of the proposed method.

Key words: short-term load forecasting, uncertainty prediction, improved quantile regression, online learning

中图分类号:

TM71

储琳琳, 宗明, 张宇俊, 易越, 郑予容, 韦宁, 贾雅君. 基于改进分位数回归的短期负荷预测及在线学习方法研究[J]. 电器与能效管理技术, 2026, 0(3): 32-43.

CHU Linlin, ZONG Ming, ZHANG Yujun, YI Yue, ZHENG Yurong, WEI Ning, JIA Yajun. Research on Short-Term Load Forecasting and Online Learning Method Based on Improved Quantile Regression[J]. LOW VOLTAGE APPARATUS, 2026, 0(3): 32-43.

图/表 7

图1

图2

图3

表1

表2

图4

表3

参考文献 28

[1]	张玲东. 基于多特征融合神经网络与两阶段训练的短期负荷预测方法[J]. 信息化研究, 2025, 51(4):27-33.
[2]	蔡秋娜, 潮铸, 苏炳洪, 等. 基于一种新型鲁棒损失的神经网络短期负荷预测方法[J]. 电网技术, 2020, 44(11):4132-4139.
[3]	李廷顺, 王伟, 刘泽三. 考虑不确定区间的电力负荷GELM-WNN预测方法[J]. 计算机工程, 2019, 45(7):315-320. doi: 10.19678/j.issn.1000-3428.0053148
[4]	陈罡, 李姗姗. 基于多影响因素数据分析的负荷短期预测方法[J]. 科技与创新, 2024(20):76-79.
[5]	王淇, 程江洲, 张川. 基于电力大数据的居民用电行为分析与用户画像构建[J]. 电子设计工程, 2025, 33(6):57-62.
[6]	韩若冰. 基于聚类分析和特征学习的短期负荷预测研究[D]. 徐州: 中国矿业大学, 2022.
[7]	徐婧. 基于曲线异常检测的变点增强短期负荷预测方法研究[D]. 福州: 福建师范大学, 2023.
[8]	杨小龙, 姚陶, 孙辰军, 等. 计及分布式能源时序不确定性的短期负荷预测技术[J]. 可再生能源, 2024, 42(1):96-103.
[9]	MORTAZAVI N, ALIZADEH B, SAHAB A, et al. Risk-based planning and partitioning of multiple micro-grids in distribution systems[J]. International Journal of Electrical Power & Energy Systems, 2022, 137:107659. doi: 10.1016/j.ijepes.2021.107659
[10]	王耀健, 顾洁, 温洪林, 等. 基于在线高斯过程回归的短期风电功率概率预测[J]. 电力系统自动化, 2024, 48(11):197-207.
[11]	LI W, TIAN A, MA J, et al. Network partitioning approach for reactive power/voltage control using analytical nodes coupling expressions[J]. IET Generation,Transmission & Distribution, 2020, 14(8):1337-1343. doi: 10.1049/gtd2.v14.7
[12]	KHANAVANDI H A, GOLIZAR M. Resilience planning of distribution network using of active distribution network partitioning[J]. Heliyon, 2024, 10(7):e36422. doi: 10.1016/j.heliyon.2024.e36422
[13]	LIU H, ZHAO M, ZHANG C, et al. Comparing topological partitioning methods for district metered areas in the water distribution network[J]. Water, 2018, 10(4):481-495. doi: 10.3390/w10040481
[14]	TAVASSOLI-HOJATI Z, GHADERI S F, IRANMANESH H, et al. A self-partitioning local neuro fuzzy model for short-term load forecasting in smart grids[J]. Energy, 2020, 199:117514. doi: 10.1016/j.energy.2020.117514
[15]	黄晨宏, 李昆鹏, 郑真, 等. 基于二次混合模态分解和LSTM-MFO算法的短期负荷预测[J]. 电器与能效管理技术, 2022(9):66-73.
[16]	王煜尘, 窦银科, 孟润泉. 基于模糊C均值聚类-变分模态分解和群智能优化的多核神经网络短期负荷预测模型[J]. 高电压技术, 2022, 48(4):1308-1319.
[17]	杨光明. 新型电力系统下虚拟电厂研究[J]. 电器与能效管理技术, 2024(11):65-72.
[18]	邓小亚. 聚类分析和改进贝叶斯算法的短期负荷预测[J]. 电气应用, 2015, 34(12):37-40.
[19]	巩伟峥. 基于敏感气象特征因子筛选与PSO-SVM模型优化的新能源功率预测特性研究[J]. 电器与能效管理技术, 2025(3):38-45.
[20]	王欣, 刘俊杰. 基于贝叶斯定理的支持向量机短期负荷预测[J]. 新型工业化, 2014, 4(12):20-24.
[21]	刘晓明, 胡丽娟, 赵凤展, 等. 微电网运行控制关键技术评价[J]. 电器与能效管理技术, 2024(5):1-9.
[22]	LI Y, WANG H, ZHANG L. Incremental attention-based online learning for short-term load forecasting under high renewable penetration[J]. Applied Energy, 2023, 345:121345.
[23]	WANG Z, LI C, CHEN J. Meta-learning enhanced online learning framework for cross-scenario short-term load forecasting[J]. International Journal of Electrical Power & Energy Systems, 2024, 158:109087.
[24]	ZHANG Q, LIU X, YANG Y. Adaptive weight update online learning for long-term stable short-term load forecasting[J]. Electric Power Systems Research, 2025, 238:109876.
[25]	KOENKER R, BASSETT G. Regression quantiles[J]. Econometrica, 1978, 46(1),33-50. doi: 10.2307/1913643
[26]	LI T, BEIRAMI A, SANJABI M, et al. On tilted losses in machine learning:Theory and applications[J]. Journal of Machine Learning Research, 2023, 24:1-79.
[27]	KIRKPATRICK J, PASCANU R, RABINOWITZ N, et al. Overcoming catastrophic forgetting in neural networks[J]. Proceedings of the National Academy of Sciences, 2017, 114(13):3521-3526. doi: 10.1073/pnas.1611835114
[28]	王磊, 张敏, 陈凯. 基于经验Fisher信息的贝叶斯神经网络参数优化[J]. 控制与决策, 2020, 35(7):1675-1682.

评价指标	分位数预测
PICP	0.983 3
PINAW	0.093 3
AIS	0.093 9

日期	96点相对误差均值/%	峰值处相对误差/%
2023-08-15	3.86	3.97
2023-09-02	4.12	4.76
2024-07-14	2.89	3.08
2024-08-06	3.23	3.52

评价指标	离线学习	在线学习
PICP	0.828 3	0.937 5
PINAW	0.105 8	0.112 4
AIS	0.183 9	0.136 7

基于改进分位数回归的短期负荷预测及在线学习方法研究

Research on Short-Term Load Forecasting and Online Learning Method Based on Improved Quantile Regression

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 7

参考文献 28

相关文章 4

编辑推荐

Metrics

本文评价

[1]	黄晨宏, 李昆鹏, 郑真, 马小丽, 颜华敏, 田书欣. 基于二次混合模态分解和LSTM-MFO算法的短期负荷预测[J]. 电器与能效管理技术, 2022, 0(9): 66-73.
[2]	许建, 王家华, 陈玉峰. 基于LSTM和PSO联合优化的微电网短期负荷预测方法[J]. 电器与能效管理技术, 2022, 0(9): 74-79.
[3]	张光儒, 马振祺, 杨军亭, 张家午, 苏娟, 高天, 丁泽琦, 方舒. 基于因果关系分析的短期负荷预测方法研究^*[J]. 电器与能效管理技术, 2022, 0(8): 23-32.
[4]	杨秀, 胡钟毓, 田英杰, 谢海宁. 基于EMD-Stacking-MLR的台区配变短期负荷预测方法[J]. 电器与能效管理技术, 2022, 0(2): 53-62.