中文引用格式： 刘衍琦，杨翰琨，杨昌玉，等. 基于数据变换与模型集成的电力需求预测[J]. 电子技术应用，2025，51(9)：18-23.
英文引用格式： Liu Yanqi，Yang Hankun，Yang Changyu，et al. Electricity demand forecasting based on data transformation and model integration[J]. Application of Electronic Technique，2025，51(9)：18-23.
引言
在全球能源结构转型的背景下，电力需求预测作为能源规划与电网调度的重要环节，一直是学术界与工业界关注的热点研究领域[1]。电力需求预测的准确性直接影响电力系统的稳定性与经济性，同时也是实现可再生能源高效利用、能源结构优化以及低碳化发展的重要基础[2]。国内外学者针对这一问题提出了多种预测方法。深度学习方法尤其是长短时记忆（Long Short-Term Memory，LSTM）网络，因其能够捕捉时间序列数据的长期与短期依赖特性，已被广泛应用于电力需求预测领域[3]。Wan等人提出了一种结合LSTM的融合模型，在短期电力负荷预测任务中，较传统LSTM模型提高了预测精度[4]。Bareth等人提出了一种基于历史负荷趋势的LSTM模型用于长期电力负荷需求预测，适用于实时负荷需求预测[5]。然而，这些方法在特征选择、数据处理和模型优化方面仍然存在诸多挑战，限制了其性能的进一步提升[6]。
近年来，基于数据驱动的预测方法逐渐成为研究热点。这些方法依赖于大规模历史数据和先进的学习算法，通过对数据特征的深度挖掘和多维建模，能够突破传统方法对系统动态假设的依赖，从而更加精准地捕捉电力需求的复杂变化规律[7]。罗俊然等人提出了一种基于特征构建和改进LSTM的短期电量预测方法，通过数据分析与筛选，有效地提取数据特征，实现更高的预测精度[8]。Kim等人提出了一种基于LSTM和迁移学习策略的数据驱动建筑能耗预测方法，通过对医院建筑模型的案例研究进行验证[9]。然而，数据驱动方法在实际应用中仍面临一些局限性，例如多源异构数据特征的分布不一致、特征间的依赖关系难以建模，以及噪声与异常值对模型性能的干扰等。此外，针对多维特征的权重分配与优化仍是难点，直接影响模型对不同特征的敏感性与预测性能[10]。
针对特征分布的统一化处理这一问题，国内外研究者提出了基于统计学与概率论的多种变换方法，例如Box-Cox变换、Copula模型等[11]。然而，单一方法往往难以兼顾特征间的相关性与分布特性的调整，导致数据转换后的适配性不足。此外，随着电力需求预测任务的复杂化，对数据处理方法的鲁棒性与泛化能力提出了更高要求。
在模型优化方面，传统的网格搜索或随机搜索方法虽然能够找到模型的超参数组合，但效率较低且难以应对高维参数的复杂性[12]。近年来，贝叶斯优化因其能够在少量迭代中快速找到最优解而受到关注[13]。
在这一背景下，本文针对现有研究中存在的数据分布不一致、特征依赖关系建模不足以及超参数优化等问题，提出了一种基于数据变换融合与模型集成的电力需求预测方法，涵盖数据变换融合方法、基于特征重要性权重的网络模型、 超参数优化与并行计算三个模块内容，旨在为复杂时间序列预测任务提供更可靠、更精准的解决方案。
本文详细内容请下载：
//www.51qz.net/resource/share/2000006681
作者信息：
刘衍琦1，杨翰琨2，杨昌玉1，吴缺2
（1.烟台理工学院，山东 烟台 264005；
2.哈尔滨工程大学 烟台研究院，山东 烟台 265500）
