面向美国电网预测的状态空间模型、Transformer与循环网络基准测试

为电网预测选择合适的深度学习模型具有挑战性，因为性能高度依赖于运营商可用的数据。本文对五种现代神经网络架构进行了全面基准测试：两种状态空间模型（PowerMamba、S-Mamba）、两种Transformer（iTransformer、PatchTST）以及传统LSTM。我们在美国六大电网的小时电力需求上进行评估，预测窗口为24至168小时。为确保公平比较，我们为每个模型适配专门的时序处理模块和可模块化集成天气协变量的层。我们的结果表明，没有单一模型适用于所有情形。仅使用历史负荷进行预测时，PatchTST和状态空间模型提供最高的准确率。然而，当显式天气数据添加到输入中时，排名发生反转：iTransformer 的准确率比PatchTST提高效率是其三倍。通过控制模型规模，我们确认这一优势源于该架构在不同变量之间混合信息的内在能力。进一步评估太阳能发电、风力发电和零售电价，进一步表明模型排名取决于预测任务：PatchTST 在高度节律信号（如太阳能）方面表现突出，而状态空间模型更适合风力和价格的混乱波动。最终，本基准测试为电网运营商提供了基于特定数据环境选择最优预测架构的可操作指南。