基于深度强化学习的智能电网短期负荷预测模型

摘要

短期负荷预测是智能电网稳定运行与优化调度的关键支撑。本文提出一种融合注意力机制与双延迟深度确定性策略梯度算法的端到端深度强化学习框架，用于建模负荷序列的动态非线性演化规律及外部扰动响应机制。模型以历史负荷、气象参数、日历特征和电网拓扑状态为联合输入，在滚动预测窗口下自主学习最优动作策略------即对未来24小时每15分钟负荷点的逐点修正决策。在某省级电网实测数据集上的实验表明，该方法平均绝对百分比误差降至1.87%，较传统LSTM和XGBoost基线分别降低32.4%与41.9%；峰值时段预测稳定性提升显著，95%分位预测误差压缩至2.31%以内。研究验证了强化学习范式在负荷预测中从'被动拟合'向'主动调控感知'范式的实质性跃迁。