DALNet：用于高保真日前负荷预测的去噪扩散概率模型
系统与控制
2025-10-07 v2 系统与控制
摘要
准确的概率负荷预测对于维持电力系统的安全与稳定至关重要。然而，主流的多步预测方法受到累积误差和预测滞后的阻碍，这限制了其在概率日前负荷预测（PDALF）中的有效性。为克服这些挑战，我们引入了 DALNet，这是一种旨在生成负荷曲线而非依赖直接预测的新型去噪扩散模型。通过将焦点转向曲线生成，DALNet 以更高的保真度捕获了特定条件下实际负荷时间序列数据的复杂分布。为进一步增强 DALNet，我们提出了时间多尺度注意力块（Temporal Multi-Scale Attention Block, TMSAB），这是一种旨在整合位置和时间信息以提高预测精度的机制。此外，我们利用核密度估计（KDE）重构生成的负荷曲线分布，并采用 Kullback-Leibler（KL）散度将其与实际数据分布进行比较。实验结果表明，DALNet 在负荷预测精度方面表现出色，并为电力系统中的其他预测任务提供了新视角。
引用
@article{arxiv.2503.06697,
title = {DALNet: A Denoising Diffusion Probabilistic Model for High-Fidelity Day-Ahead Load Forecasting},
author = {Han Guo and Ding Lin},
journal= {arXiv preprint arXiv:2503.06697},
year = {2025}
}
备注
22pages