面向强随机性场景的短期净负荷功率预测：基于集成学习的元学习器设计
面向强随机性场景的短期净负荷功率预测：基于集成学习的元学习器设计
摘要
随着分布式可再生能源渗透率不断提高，短期净负荷功率预测面临因风光出力不确定性与负荷波动叠加所引发的强随机性难题。传统单一预测模型在复杂多变的运行场景下泛化能力有限，预测稳定性不足，难以满足电力系统经济运行的需求。针对这一挑战，本文提出一种基于集成学习的短期净负荷功率预测方案。首先，构建异构基学习器池，包括LightGBM、随机森林和多层感知机，以充分挖掘净负荷数据中的多尺度时空特征；在此基础上，采用Stacking集成策略，设计基于Kolmogorov-Arnold网络和分位数长短期记忆网络的元学习器，实现各基模型优势的互补与融合；最后，通过实际区域电网数据进行综合验证。实验结果表明，所提集成框架在点预测精度和概率预测可靠性方面均优于单一模型和传统集成方法，且在强随机性场景下表现出更强的鲁棒性。本文提供了完整的代码实现与详细解释，为净负荷预测研究提供了可复现的技术方案。
关键词：净负荷预测；集成学习；Stacking集成；元学习器；强随机性；Kolmogorov-Arnold网络
1 引言
1.1 研究背景与意义
在全球能源转型和碳中和目标驱动下，以风能和太阳能为代表的可再生能源发电装机容量持续快速增长。这一趋势深刻改变了传统电力系统的运行范式：电力系统从单一的“源随荷动”模式，逐步转向“源-网-荷-储”协同互动的复杂形态。在这一新形态下，电网调度人员关注的焦点从传统的负荷功率逐渐转向净负荷