深度残差网络在短期负荷预测中的应用：关于网络深度影响的实证研究

《Scientific Reports》：Deep residual networks for short-term load forecasting: an empirical study on the impact of network depth

　　

摘要

在短期负荷预测中，网络深度对深度残差网络性能的影响至今仍不十分明确。本研究对基于深度残差网络的框架中的网络深度进行了系统性的实证分析，重点探讨其与预测性能、模型行为以及数据集特征之间的关系。研究使用了两个具有不同负荷和气象特征的实时数据集——ISO-NE和MyPJ，在多种网络深度配置下对比了原始深度残差网络与主成分分析-深度残差网络这两种典型模型。结果表明，网络深度对预测性能的影响具有非线性特征，且高度依赖于数据集特性。对于ISO-NE数据集，中等深度的配置能够有效捕捉更明显的季节性变化和长期时间模式，从而实现较好的预测性能；而在当前实验设置下，MyPJ数据集上相对较浅的配置通常能展现出更好的性能，这说明过深的架构可能会增加模型复杂性，却无法带来稳定的性能提升。此外，在包含多个气象变量的MyPJ数据集中，引入主成分分析能够改善特征表示，增强模型鲁棒性，并且在当前实验设置下还能降低模型对网络深度变化的敏感度。与主流深度学习模型的对比表明，基于深度残差网络的框架能够在结构设计相对简洁的情况下实现具有竞争力的预测性能。另外，基于自举法的统计分析也显示，在当前实验设置下的样本差异范围内，所观察到的性能差异依然明显。这些研究结果表明，在设计高效且稳健的短期负荷预测模型时，应综合考虑数据集特征和特征表示，合理选择网络深度。