基于稳健损失函数的Bi-LSTM 短期电力负荷预测方法研究
谢金润1 薛杰仁2

1南京工程学院电力工程学院沈国荣学院，江苏南京，211167；

2河海大学电气与动力工程学院，江苏南京，211100；

摘要：短期电力负荷预测在电力系统调度与能源管理中具有重要意义。针对传统长短期记忆网络（LSTM）在存在异常尖峰时预测精度下降的问题，本文提出一种基于稳健损失函数的双向长短期记忆网络（Huber Bi-LSTM）预测方法。该方法在网络输出层引入 Huber 损失函数，通过在小误差区采用二次惩罚、大误差区采用线性惩罚，降低异常点对梯度更新的影响，提升模型鲁棒性。以某地区5日总负荷数据为例，采用滑动时间窗构造输入特征，对未来 24 小时负荷逐点预测。实验结果表明，所提方法在归一化域 sMAPE稳定在1.97%左右，峰谷拟合精度较传统 MSE 损失 Bi-LSTM 明显提高，并有效抑制了异常值引起的预测波动。该方法在保证整体趋势预测精度的同时，增强了模型在异常数据下的稳定性，具有较好的工程应用价值。

关键词：短期电力负荷预测；双向长短期记忆网络（Bi-LSTM）；稳健损失函数；异常值抑制

参考文献

[1]杨佳泽,王灿,王增平.新型电力系统背景下的智能负荷预测算法研究综述[J].华北电力大学学报(自然科学版),2025,52(03):54-67.

[2]王海鹏.注意力机制下多尺度时间卷积的短期电力负荷预测[D].南昌大学,2022.DOI:10.27232/d.cnki.gnchu.2022.001523.

[3]肖荣鸽,夏海平,李雨泽,等.基于L1-SSA-SVM模型的城镇燃气短期负荷预测[J].区域供热,2024,(06):150-158.DOI:10.16641/j.cnki.cn11-3241/tk.2024.06.021.

[4]鲁娟,李明海,张柄涛,等.基于PSO-BI-LSTM模型的短期电力负荷预测[J].建筑电气,2025,44(07):38-42.

[5]徐亮,洪炎,苏静明,等.基于多尺度深度可分离卷积和双向Transformer的短期电力负荷预测[J/OL].重庆工商大学学报(自然科学版),1-12[2025-08-09].https://link.cnki.net/urlid/50.1155.N.20250703.1126.002.

[6]张珂豪,刘庆杰,陈八,等.基于Informer-LSTM方法的高邮台地电场数据异常检测研究[J].防灾科技学院学报,2025,27(02):79-88.

[7]杨丹,陈俊.基于相似日的多模型融合短期电力负荷预测[J].电脑与信息技术,2025,33(01):6-9+54.DOI:10.19414/j.cnki.1005-1228.2025.01.028.

[8]康佳,姜宏伟.基于非独立同分布样本Huber损失回归算法的泛化性能[J].兰州文理学院学报(自然科学版),2025,39(03):1-7+23.DOI:10.13804/j.cnki.2095-6991.2025.03.020.