TPS：基于双分支专家融合记忆网络的大规模配电系统净负荷高效预测:

清风吹过

964人浏览 · 2026-05-05 20:19:37

清风吹过 · 2026-05-05 20:19:37 发布

关于大规模配电网净负荷预测的论文

代码：https://github.com/lishijie15/DEFMN.

论文基本信息

项目	内容
标题	Efficient Net Load Forecasting in Large-Scale Power Distribution Systems via Dual-Branch Experts Fusion Memory Network
作者	Shijie Li, Ruican Hu, Guanlin Chen, Lulu Chen, He Li, Huaiguang Jiang† (通讯), Ying Xue, Jiawen Kang, Jun Zhang, David Wenzhong Gao (IEEE Fellow)
发表	IEEE Transactions on Power Systems, Vol.41, No.1, January 2026
机构	华南理工大学、广东工业大学、武汉大学、美国丹佛大学
代码	https://github.com/lishijie15/DEFMN

一、研究背景与核心挑战

1.1 什么是净负荷(Net Load)？

净负荷 = 总负荷需求 − 分布式发电(DG)出力
       = Load − PV(光伏) − Wind(风电)

随着可再生能源渗透率提高，配电网从"单向供电"变为"双向互动"，净负荷预测成为关键。

1.2 两大核心异质性（本文核心洞察）

异质性类型	具体表现	现有方法的问题
变量异质性 (Variable Heterogeneity)	负荷、光伏、风电具有截然不同的时序特征（见图1(b)）	用共享参数的同一模型处理所有变量，导致特征表达相似化
时空异质性 (Spatio-temporal Heterogeneity)	节点净负荷变化导致节点属性（输入/输出）和图结构动态变化（见图1(a)）	假设固定图结构，无法适应动态拓扑

图1©的直观解释：中午光伏大发时，某些节点从"负荷节点"变为"发电节点"，图上的能量流向完全改变。

二、核心贡献：DEFMN模型

在这里插入图片描述

2.1 整体架构

输入: X_T^N ∈ R^(C×N×T)  (C=3个变量:负荷/光伏/风电, N个节点, T个时间步)
       │
       ├─→ [Series Embedding] ──→ X_emb ∈ R^(C×N×D)  (共享参数)
       │                              │
       └──────────────────────────────┘
                          ↓
              [Dual-Branch Experts]
                          │
              ├──────────┴──────────┐
              ↓                       ↓
        [Variable Branch]        [Feature Branch]
        (独立参数专家)            (独立参数专家)
              │                       │
              └──────────┬──────────┘
                         ↓
                    S_ee ∈ R^(N×D×S_d)
                         │
              [Meta Spatial Memory]
                         │
              S_ma = [S_ee + S_M]  (拼接)
                         │
                   [Decoder]
                         │
              输出: X̂_t^n = Decoder(S_ma) + X_emb  (残差连接)
                         │
              净负荷: Ê = L̂ − P̂ − Ŵ  (间接策略)

2.2 关键组件详解

在这里插入图片描述

A. Series Embedding（序列嵌入，共享参数）

区别于Transformer的通道嵌入：

传统做法：将同一时刻的不同变量嵌入为"通道"，导致时间不对齐
本文做法：沿时间维度投影，保留变量的时序独立性

数学表达：

$H_{se} = X_T^N W_{se} + b_{se}$

$SE(sp,2n)=sin⁡(sp100002n/D),SE(sp,2n+1)=cos⁡(sp100002n+1/D)SE_{(sp, 2n)} = \sin\left(\frac{sp}{10000^{2n/D}}\right), \quad SE_{(sp, 2n+1)} = \cos\left(\frac{sp}{10000^{2n+1/D}}\right)$

$Xemb=Hse⊕(SE(sp,2n)+SE(sp,2n+1))X_{emb} = H_{se} \oplus (SE_{(sp,2n)} + SE_{(sp,2n+1)})$

$Wse∈RD×Cd×CdW_{se} \in \mathbb{R}^{D \times C_d \times C_d}$ : 序列嵌入参数（三个变量共享）
$S E$ : 空间位置编码（正弦/余弦函数）
$⊕\oplus$ : 广播相加

关键设计：共享参数增强变量间隐式关联表达，同时保留各变量独立性。

B. Dual-Branch Experts（双分支专家，独立参数）

在这里插入图片描述

这是本文最核心创新——首次将Mixture of Experts(MoE)思想引入净负荷预测。

分支一：Variable Branch（变量分支）

为负荷、光伏、风电分别定制时空专家(STE)：

专家类型	结构特点	设计理由
负荷专家	TCF → 空间特征提取 → 时间注意力 → FFN	负荷空间分布复杂，需要通道融合捕获多通道关联
光伏专家	时间注意力 → 空间特征提取 → FFN	光伏强时间周期性（日出日落），优先时间建模
风电专家	同光伏专家	风电同样强时间依赖性，且空间分布相对稀疏

负荷专家详细结构：

$Fusion)L_{cb} = L_{emb} \otimes W_{cb} + b_{cb} \quad \text{(Temporal Channel Fusion)}$

$GCN)L_{gc} = \sigma\left(\sum_{k=0}^{K} \tilde{Z}^k L_{cb} W_k\right) \quad \text{(Adaptive GCN)}$

$Attention)L_{sa} = \text{Softmax}\left(\frac{Q_{ta} K_{ta}^\top}{\sqrt{d_k}}\right) V_{ta} \quad \text{(Temporal Attention)}$

$Lst=(σ(LsaWl1+bl1))Wl2+bl2(Feed-forward)L_{st} = (\sigma(L_{sa} W_{l1} + b_{l1})) W_{l2} + b_{l2} \quad \text{(Feed-forward)}$

$Wcb∈RD×Cd×CdW_{cb} \in \mathbb{R}^{D \times C_d \times C_d}$ : 通道融合参数
$Z~∈RN×N\tilde{Z} \in \mathbb{R}^{N \times N}$ : 可学习动态拓扑表示
$Wk∈RK×Cd×GdW_k \in \mathbb{R}^{K \times C_d \times G_d}$ : Chebyshev多项式图卷积核

分支二：Feature Branch（特征分支）

在STE输出基础上，进一步通过**增强专家(EE)**提取深层特征：

$Q_{eh,i} = S_{eh,i} W_{qu,i}$

$Kst,i=Sst,iWke,i,Vst,i=Sst,iWva,iK_{st,i} = S_{st,i} W_{ke,i}, \quad V_{st,i} = S_{st,i} W_{va,i}$

$Se,i=Softmax(Qeh,iKst,i⊤dk)Vst,iS_{e,i} = \text{Softmax}\left(\frac{Q_{eh,i} K_{st,i}^\top}{\sqrt{d_k}}\right) V_{st,i}$

Expert Query机制：用EE的查询去"检索"STE的键值，实现跨层特征交互
防止全连接网络导致的信息损失

融合输出：

$Sst=Concat(Lst,Pst,Wst,Xemb)∈RN×D×4SdS_{st} = \text{Concat}(L_{st}, P_{st}, W_{st}, X_{emb}) \in \mathbb{R}^{N \times D \times 4S_d}$

$See=Concat(Le,Pe,We,Sst)∈RN×D×SdS_{ee} = \text{Concat}(L_e, P_e, W_e, S_{st}) \in \mathbb{R}^{N \times D \times S_d}$

C. Meta Spatial Memory（元空间记忆库）

动机：标准GCN使用固定邻接矩阵，但配电网拓扑随净负荷动态变化（节点可能从输入变输出）。

传统动态图方法：

$Z~=Softmax(ReLU(ZZ⊤))\tilde{Z} = \text{Softmax}(\text{ReLU}(Z Z^\top))$

局限： $Z$ 作为可训练参数，不随时间变化。

本文MSM设计：

$Ψ∈Rψ×N×Md(记忆库，存储历史图结构模式)\Psi \in \mathbb{R}^{\psi \times N \times M_d} \quad \text{(记忆库，存储历史图结构模式)}$

查询过程：

$Qt=SeetWQ+bQ(当前状态生成查询)Q_t = S_{ee}^t W_Q + b_Q \quad \text{(当前状态生成查询)}$

$ajt=exp⁡(QtΨ[j]⊤)∑j=1ψexp⁡(QtΨ[j]⊤)(注意力权重)a_j^t = \frac{\exp(Q_t \Psi[j]^\top)}{\sum_{j=1}^{\psi} \exp(Q_t \Psi[j]^\top)} \quad \text{(注意力权重)}$

$SM=∑j=1ψajtΨ[j](记忆读取)S_M = \sum_{j=1}^{\psi} a_j^t \Psi[j] \quad \text{(记忆读取)}$

$Sma=[Seet+SM]∈RN×(Sd+Md)S_{ma} = [S_{ee}^t + S_M] \in \mathbb{R}^{N \times (S_d + M_d)}$

Hyper-Network增强：

$\text{HN}(\Psi), \quad \tilde{Z}' = \text{Softmax}(\text{ReLU}(Z' Z'^\top))$

$Z~′\tilde{Z}'$ 反馈到AGCN和Decoder，实现记忆与专家的即时交互

2.3 损失函数设计

$Ltask=ε1L1+ε2L2+ε3L3\mathcal{L}_{task} = \varepsilon_1 \mathcal{L}_1 + \varepsilon_2 \mathcal{L}_2 + \varepsilon_3 \mathcal{L}_3$

损失项	公式	作用
预测损失 $L1\mathcal{L}_1$	$\sum_n \sum_t \sum_\rho	\hat{X}{t+\rho}^n - X{t+\rho}^n
一致性损失 $L2\mathcal{L}_2$	$∑t∑n∣Qt−Ψ[p]∣2\sum_t \sum_n \|Q_t - \Psi[p]\|^2$	查询与最相似记忆项靠近
对比损失 $L3\mathcal{L}_3$	$∑t∑nmax⁡{∣Qt−Ψ[p]∣2−∣Qt−Ψ[g]∣2+λ,0}\sum_t \sum_n \max\{\|Q_t-\Psi[p]\|^2 - \|Q_t-\Psi[g]\|^2 + \lambda, 0\}$	查询与正样本靠近、与负样本远离

$Ψ[p]\Psi[p]$ : 最相似记忆项（正样本）
$Ψ[g]\Psi[g]$ : 第二相似记忆项（负样本）
$λ\lambda$ : 边际参数

三、数据集构建：LDCM（负荷-DG耦合模型）

3.1 现实挑战

真实大规模配电网数据难以获取（法律/隐私限制），现有研究通常：

仅使用负荷数据，忽略DG
或将不同区域数据简单拼接，不符合地理一致性

3.2 LDCM算法

核心思想：同一小区域内的负荷和DG数据耦合，再组合成大规模系统。

步骤：

计算光伏系数：
$ηr=∑t=1TPtrPmaxT\eta_r = \frac{\sum_{t=1}^T P_t^r}{P_{max} T}$
Softmax分配PV节点数（引入修正因子）：
$Nrpv=exp⁡[Nr(ηr−θco)]∑r=1Rexp⁡[Nr(ηr−θco)]NPeN_r^{pv} = \frac{\exp[N_r(\eta_r - \theta_{co})]}{\sum_{r=1}^R \exp[N_r(\eta_r - \theta_{co})]} N \mathcal{P}_e$

$θco=max⁡(0,min⁡(η∼)−12(max⁡(η∼)−min⁡(η∼)))\theta_{co} = \max\left(0, \min(\eta_\sim) - \frac{1}{2}(\max(\eta_\sim) - \min(\eta_\sim))\right)$

$θco\theta_{co}$ 作用：当区域间 $ηr\eta_r$ 差异小时，放大相对差异，防止Softmax被节点数 $N_r$ 主导

K-means聚类：
- 高 $ηr\eta_r$ 区域 → 大社区 $C_{(h)}^{pv}$ （密集DG）
- 低 $ηr\eta_r$ 区域 → 小社区 $C(b∼)pvC_{(b_\sim)}^{pv}$ （稀疏DG）
风电节点：选择远离社区、风资源好的郊区节点

3.3 构建的两个场景

场景	PV渗透率	风电节点	基于
PDS Scenario 1	10%节点有PV	2个风电节点	IEEE 8500节点测试馈线
PDS Scenario 2	20%节点有PV	3个风电节点	科罗拉多州22个相邻小区域真实数据

四、实验结果

4.1 主实验对比（Table II）

模型	策略	MAE (kW)	RMSE (kW)	MAPE (%)
GRU	间接	较高	较高	~50
GCN	间接	较高	较高	~50
T-GCN	间接	较高	较高	~48
AGCRN	间接	中等	中等	~50
MTGNN	间接	中等	中等	~45
MegaCRN	间接	较低	较低	~42
MPGTN	间接	较低	较低	~42
DEFMN (Ours)	间接	最低	最低	~40

关键发现：

DEFMN在两种场景、所有指标上均达SOTA
相比MPGTN（当前SOTA），MAPE降低约2-3%

4.2 不同距离节点预测（Figure 5）

在这里插入图片描述

在距离变电站1-17km的节点上：

DEFMN预测曲线最接近Ground Truth
尤其在远距离节点（配电网末端）优势明显

4.3 误差分布分析（Table III）

模型	Skewness (偏度)	Kurtosis (峰度)
MPGTN	较高	较高
DEFMN	较低	较低

含义：DEFMN误差更接近正态分布，异常值更少，预测更稳定。

五、消融实验与分析

5.1 模块消融（Figure 6）

在这里插入图片描述

变体	修改	MAE	RMSE	MAPE
Base (完整DEFMN)	-	1.92	3.15	42.22
Msi-A	去掉MSM记忆库	↑	↑	↑
Sha-A	共享参数替代独立专家	↑↑	↑↑	↑↑
Dec-A	去掉Decoder	↑	↑	↑

结论：

独立专家(Sha-A vs Base)：影响最大，验证变量异质性必须独立建模
记忆库(Msi-A)：对动态图结构学习至关重要
Decoder(Dec-A)：对特征投影和残差连接不可或缺

5.2 嵌入方式对比（Figure 7）

在这里插入图片描述

嵌入方式	参数共享	时间对齐	性能
Independent Embedding (IE)	×	✓	差（过度关注变量内在特性，忽略关联）
Series Embedding (Ours)	✓	✓	最佳
Channel Embedding (CE)	✓	×	差（时间不对齐，变量关联弱化）

关键洞察：共享参数+时间对齐的系列嵌入是最佳平衡点。

5.3 直接策略 vs 间接策略（Table IV）

策略	输入	输出	MAE	RMSE	MAPE
直接策略	历史净负荷	净负荷	较高	较高	较高
间接策略 (Ours)	负荷+PV+风电	分别预测后相减	降低5.39%	降低7.65%	降低7.68%

高RES渗透率时优势更大（Scenario 2）：

MAE降低8.13%，RMSE降低8.33%，MAPE降低11.32%

原因：直接策略隐藏了负荷与DG的关联，神经网络倾向于提取净负荷的显性特征；间接策略保留变量完整性，通过定制专家充分挖掘潜在关联。

六、效率分析（Figure 8）

指标	DEFMN	MPGTN	AGCRN	MTGNN	MegaCRN
参数量	0.98M	7.49M	~2M	~2M	~0.5M
MAdds	低	高	中	中	低
推理时间	快	慢	中	中	较快
MAPE	~40%	~42%	~50%	~45%	~42%

效率提升：

参数量减少86.9%（vs MPGTN）
MAdds减少96.8%
推理时间比MPGTN快42.6%，比AGCRN快32.6%

秘诀：根据变量特性定制专家复杂度——风电只需简单时空模块，避免统一复杂架构的冗余计算。

七、核心贡献总结

贡献	具体内容
方法创新	首次将定制专家(MoE)引入净负荷预测，独立参数捕获变量异质性，共享参数捕获变量关联
机制创新	Meta Spatial Memory动态记忆库，适应配电网时变拓扑
数据创新	LDCM模型构建符合地理一致性的RES集成配电网场景
策略创新	间接预测策略（分别预测负荷/DG再相减），优于直接预测净负荷
效率创新	精度SOTA同时，参数量和计算量大幅降低

八、局限与展望

局限	未来方向
仅在IEEE 8500节点系统验证	更大规模（如10万节点）配电网测试
RES类型限于PV和风电	纳入储能(ES)、电动汽车(EV)等新型元素
单时间分辨率（小时级）	多时间尺度（分钟/小时/日）联合预测
确定性预测为主	结合概率预测，量化不确定性