贝叶斯 Transformer 用于智能电网中的概率负荷预测

现代电网可靠运行需要具备经校准不确定性估计的概率负荷预测。然而，现有深度学习模型会产生过于自信的点预测，在极端气候分布迁移时会发生灾难性失败。本研究提出了一种贝叶斯 Transformer (BT) 框架，将三种互补的不确定性机制集成到 PatchTST 主干网络中：用于表征参数层次不确定性的蒙特卡罗 Dropout、带对数均匀权重先验的变分前馈层，以及具有可学习高斯噪声扰动的随机注意力机制（作用于软最大化前的 logits），据我们所知，这是首次将贝叶斯注意力应用于概率负荷预测。七级多分位点森伯损失预测头和后训练的等距回归校准产生锐利、接近名义覆盖的预测区间。评估了五个电网数据集（PJM、ERCOT、ENTSO-E 德国、法国和大不列夠岛）并加入 NOAA 协变量，在 24、48 和 168 小时预测时段表明实现了最佳性能。在主要基准（PJM，H=24h）上，BT 的 CRPS 为 0.0289，相较于深度集成提升 7.4%，相较于确定性 LSTM 提升 29.9%，在 90% 名义水平下的 PICP 为 90.4%，且在所有概率基线中预测区间最窄（4,960 MW）。在热浪和寒潮事件期间，BT 分别保持 89.6% 和 90.1% 的 PICP，而确定性 LSTM 为 64.7% 和 67.2%，证明贝叶斯表征不确定性能自然扩大分布外输入的置信区间。各时段的校准保持稳定（89.8-90.4% PICP），而消融实验确认每个组件均贡献独特价值。校准后的输出直接支持风险导向的备用容量 sizing、随机单元承诺和需求响应激活。