面向多区域电力负荷预测的 TriForecaster：基于三维专精的混合专家框架
机器学习
2025-08-14 v1
摘要
电力负荷预测是电力系统运行、规划和决策的关键环节。智能电网和电表的兴起提供了来自多个层次细粒度负荷数据的高质量信息，范围从家庭到总线再到城市。针对中国东部某省不同城市之间负荷模式的相似性，本文聚焦于多区域电力负荷预测 (Multi-Region Electric Load Forecasting, MRELF) 问题，旨在准确预测大区域内多个子区域的短期负荷。我们识别了MRELF的三个挑战，包括区域差异、情境差异和时间差异。为此，我们提出TriForecaster，一个在多任务学习 (Multi-Task Learning, MTL) 框架内利用混合专家 (Mixture of Experts, MoE) 方法的新型框架，以克服上述挑战。TriForecaster包含RegionMixer和情境-时间专精器 (CTSpecializer) 层，使专家模型能够在区域、情境和时间维度上实现动态合作和专精。在针对四个实际MRELF数据集进行评估后，TriForecaster相比最先进的模型实现了平均22.4%的预测误差降低，充分展示了其灵活性和广泛适用性。特别是，TriForecaster在中国东部的eForecaster平台上的部署，有效地为17座城市（人口超过1.1亿人）和日均电力消耗超过100 gigawatt-hours 提供了城市级别的短期负荷预测。
引用
@article{arxiv.2508.09753,
title = {TriForecaster: A Mixture of Experts Framework for Multi-Region Electric Load Forecasting with Tri-dimensional Specialization},
author = {Zhaoyang Zhu and Zhipeng Zeng and Qiming Chen and Linxiao Yang and Peiyuan Liu and Weiqi Chen and Liang Sun},
journal= {arXiv preprint arXiv:2508.09753},
year = {2025}
}
备注
11 pages, 4 figures