PeakFocus: 通过统一多尺度框架桥接峰值定位与强度回归的电力负荷预测

# PeakFocus：通过统一多尺度框架连接峰值定位与强度回归的电力负荷预测
来源：https://arxiv.org/html/2605.21550
###### 摘要

电力负荷峰值预测（ELPF）需同时预测峰值时刻与峰值强度，是有效电网调度与风险管理的先决条件。然而，现有方法面临三大局限。首先，它们采用"先预测再定位"的两阶段范式，割裂了时间定位与强度回归之间的联系。其次，它们仍难以应对多尺度表征冲突，导致峰值误判与时间错位。第三，强度回归过程中缺乏显式的峰值时间上下文，使得预测被全局平滑趋势主导，从而导致强度平滑。针对这些局限，我们提出PeakFocus，一个用于ELPF的统一框架。（i）统一峰值感知流水线（UPAP）利用三重混合损失联合监督时间定位与强度回归，并辅以基于容忍度的评估协议。（ii）多尺度混合峰值定位器（MSM-PL）利用粗粒度特征缓解局部波动导致的峰值误判，并通过级联机制将粗粒度特征注入细粒度特征，解决时间错位问题。（iii）位置感知解码器（LAD）将峰值时间上下文注入强度回归过程，提供显式指导以对抗强度平滑，提升峰值强度估计。在公开电力负荷（ELC）数据集以及我们工业级的世界大规模电力负荷（WLEL）数据集上的大量实验表明，PeakFocus在时间精度与强度估计方面均优于基线方法。代码与模型实现可在 https://github.com/TongjiFinLab/PeakFocus 获取。

## I 引言

在工业电网中，有效的资源管理高度依赖于电力负荷需求的预测。在这些负荷信号中，峰值是稀疏嵌入于平滑时间模式中的罕见结构事件，这使得其准确预测与学习主导趋势有着根本区别。在此范围内，准确的峰值预测具有核心运营重要性，因为它必须同时估计下一个负荷高峰的时刻与强度。准确的时刻信息可告知电网运营商何时启动备用资源并调度补充发电，而准确的强度则决定了为安全应对即将到来的需求激增所需的后备容量。然而，传统的深度时间序列模型，如Transformer[1, 2]和多层感知器（MLP）[3, 4]，通过全局重构损失[5]进行训练，该损失函数最小化平均误差，导致预测偏向于过度平滑的趋势[6]，从而压平了极端值，遗漏了那些真正重要的峰值。因此，电力负荷峰值预测（ELPF）[7, 8]作为一项专注于关键峰值事件的特化任务应运而生。

参见图1
图1：实际预测场景下PatchTST应用于ELPF的局限性说明。(a) 时间错位 和 (b) 峰值误判 展示了多尺度表征冲突：粗粒度特征缺乏时间分辨率（导致偏移），而细粒度特征易受局部波动影响（导致误报）。(c) 强度平滑 展示了由于缺乏显式峰值时间上下文而导致的低估：强度解码器缺少该上下文，被拉向全局平滑趋势。现有ELPF方法存在明确的结构性局限[9]。首先，在应用TSF模型时，它们通常依赖"先预测再定位"的两阶段范式。这种分离割裂了时间定位与强度回归之间的联系，阻碍模型有效学习二者的关系。已有一些端到端方法[10, 11]被提出来弥合这一差距。其次，它们仍难以应对多尺度表征冲突。粗粒度特征缺乏时间分辨率，导致时间错位（图1a），而细粒度特征受局部波动影响，导致峰值误判（图1b）。第三，强度回归缺乏显式的峰值时间上下文。即使在统一框架中，解码器在缺少该信号的情况下运行，预测被拉向全局平滑趋势（图1c），常导致峰值低估。这使得在真实世界电网规模的预测部署中，实现可靠的时间定位与准确的强度估计尤为困难。

为应对这些局限，我们提出PeakFocus，一个联合建模时间定位与强度回归的统一ELPF框架。为弥合二者割裂，统一峰值感知流水线（UPAP）引入三重混合目标，在训练期间耦合时间定位与强度回归。为解决多尺度表征冲突，多尺度混合峰值定位器（MSM-PL）利用粗粒度信息抑制局部波动，并通过自上而下的级联将其传播至细粒度特征，实现准确的时间对齐。为减少强度平滑，位置感知解码器（LAD）将峰值时间上下文注入回归过程，在不被全局平滑趋势主导的情况下，实现实际电网设置中更准确的强度估计。这些组件共同构成一个统一框架，联合解决上述三个结构性瓶颈。这种耦合不仅提高了时间精度，也紧密了强度估计。基于这一协同设计，我们的主要贡献总结如下：

- • **统一端到端框架，连接定位与回归**。我们提出从传统全局重构到稀疏极值优化的根本性范式转变。通过连接时间定位与数值回归，我们的框架统一了峰值时间定位与强度回归。这种方法使得直接学习通常被标准全局目标抑制的关键峰值信号成为可能。
- • **多尺度峰值感知架构模块**。我们设计专用组件以应对内在结构冲突。具体来说，MSM-PL通过多尺度混合解决误判与错位之间的权衡，而LAD采用上下文注入克服强度平滑困境。
- • **面向工业电网基准的容忍度感知评估协议**。我们建立了一个统一的、容忍度感知的评估协议，以联合评估定位精度与强度回归误差指标。PeakFocus在公开ELC基准和我们的工业级WLEL数据集（2021–2025，真实区域电网）上均得到验证，在这两项上均取得一致提升。

## II 预备知识与问题定义

### II-A 峰值定义

我们基于局部最优性和结构显著性来表征峰值事件。给定预测视界H个时间步上的真实负荷强度序列 Yi_true ∈ ℝ^{H×1}，相应的峰值指示序列 Yt_true ∈ {0,1}^{H×1} 通过开源Python库 findpeaks¹¹https://github.com/erdogant/findpeaks 中的标准峰值检测器离线生成。形式上，在灵敏度阈值η和前瞻窗口l下，仅当两个条件同时满足时，时间步t才被标记为峰值（Yt_true[t]=1）：(i) 信号在t处为局部最大值，且后续值至少下降η；(ii) 在之后的l步内无更大值出现。在局部最小值上方对称上升至少η标志着从谷值跟踪的回归。这种滞回式规则在抑制虚假局部波动的同时保留了结构显著的峰值。

### II-B ELPF任务公式化

ELPF的目标是联合预测峰值事件的时刻与强度。形式上，给定长度为T的历史单变量负荷序列 X1:T ∈ ℝ^{T×1}，以及覆盖历史与预测窗口的时间戳特征 M1:T+H，模型学习一个由θ参数化的映射 F_θ，该映射在预测视界H个时间步上产生两个对齐的输出：

[Yi_pred, Yt_pred] = F_θ(X1:T, M1:T+H)，  (1)

其中 Yi_pred ∈ ℝ^{H×1} 为预测强度序列，Yt_pred ∈ [0,1]^{H×1} 收集每个时间步的峰值发生概率。

## III 方法

如图2所示，PeakFocus设计为以共享骨干网络为基础的双头架构。过程始于编码器（第III-A节），其对原始输入 X1:T 和时间特征 M1:T 应用可逆实例归一化（RevIN）及数据嵌入，构建视界对齐的上下文。为同时捕捉时刻与强度，架构分支为两个专门的数据流。首先，MSM-PL（第III-B节）将粗粒度语义注入细粒度特征，生成峰值隐藏状态 H_pl 和时间概率 Yt_pred。利用此上下文，LAD（第III-C节）通过位置感知交叉注意力将强度回归 Yi_pred 显式地条件化于 H_pl 之上，以防止强度平滑。最后，整个框架通过UPAP（第III-D节）使用三重混合目标进行端到端优化，并在一致的容忍度感知语义下运行。

参见图2
图2：所提出的PeakFocus架构。编码器提取输入特征。MSM-PL通过多尺度混合解决定位冲突，输出峰值状态 H_pl 和时间 Yt_pred。LAD通过上下文门控融合将回归 Yi_pred 条件化于 H_pl，从而防止强度平滑。UPAP在容忍度感知的事件级语义和软峰值监督下，通过三重混合目标（L_total）确保鲁棒优化。

### III-A 归一化与编码器

如图2所示，我们首先对输入 X1:T ∈ ℝ^{T×1} 应用RevIN归一化[12]，得到相应的零均值单位方差归一化序列：

X_norm,1:T = RevIN(X1:T)  (2)

编码器的输入数据 X_en_in 由数据嵌入层[1]生成，包括值投影、位置编码和时间特征：

X_en_in = E_val(X_norm,1:T) + E_pos + E_time(M1:T)  (3)

其中 E_val(·) 为一维卷积值嵌入，E_pos 为固定位置编码，E_time(·) 为应用于 M1:T 的时间戳嵌入。

一个具有潜在维度d的残差MLP骨干网络 f_enc[13]，后接一个可学习投影Π，随后生成视界对齐的上下文 X_en_out：

Z_hist = f_enc(X_en_in) ∈ ℝ^{T×d}  (4)
X_en_out = Π(Z_hist) ∈ ℝ^{H×d}  (5)

### III-B 多尺度混合峰值定位器（MSM-PL）

MSM-PL旨在解决峰值误判与时间错位之间的内在权衡。我们通过将时间特征注入共享上下文[4]，将未来时间信息引入峰值分支，随后进行层归一化[14]以稳定特征分布。注意，与编码器中的时间嵌入（公式3）编码历史时间上下文 M1:T 不同，此处的注入引入了未来时间特征 M_{T+1:T+H}，以提供预测视界的位置感知。这种设计使峰值定位器能够区分周期模式，这对准确峰值时间定位至关重要。峰值分支输入 H_in^p ∈ ℝ^{H×d} 计算如下：

H_in^p = LayerNorm( X_en_out + E_time(M_{T+1:T+H}) )  (6)

为缓解局部波动导致的误判，我们采用了一个包含自底向上金字塔和自顶向下级联的分层架构，借鉴了计算机视觉中已建立的多尺度特征融合范式[15, 16]。受[2]启发，我们通过迭代下采样构建一个K层的粗粒度特征层次结构，其中K表示金字塔深度。设 AvgPool_{κ,s}(·) 为以核大小κ和步长s（此处使用s以避免与后续使用的sigmoid函数σ(·)冲突）参数化的平均池化操作。金字塔生成正式定义为如下递归：

S^(0) = H_in^p
S^(k) = AvgPool_{κ^(k), s^(k)}( S^(k-1) )