从共享需求模式到局部不确定性：通过混合紧凑适应组件进行概率负荷预测

arXiv:2610.08538v1 公告类型：新 摘要：概率负荷预测已被广泛应用于电力系统运行与规划，但在客户级和变压器级开展预测会带来独特的可扩展性挑战。在这些层级上，负荷不确定性会受到客户行为、天气和混合负荷构成的强烈影响，使单一共享模型难以捕捉异质模式。使用独立的概率模型可以提高局部预测准确性，但在大规模场景下，训练、存储、更新和验证成本高昂。为应对这一挑战，我们构建了一种可扩展的客户感知预测框架，通过共享模型学习共同的需求行为，同时仅对一小部分紧凑参数进行适应。该设计并非为每个负荷使用独立模型，也不是将每个负荷分配给专门模型，而是学习一个小型低维适应组件库，并允许每个负荷根据自身的预测特征对这些组件进行组合。这样既保留了客户之间的共享知识，又为异质和混合负荷构成提供了足够的灵活性。在SMART-DS数据集的590个负荷曲线上的实验表明，与统计模型、神经网络、基于Transformer的模型和预训练时间序列基线相比，该方法在确定性准确率和概率预测质量方面均取得了稳定提升，同时保持了较低的存储和推理成本。