基于LSTM–ChebyKAN的短期电力负荷预测

摘要

针对短期电力负荷预测中传统模型对复杂非线性关系建模能力不足的问题，本文提出一种融合长短期记忆网络（LSTM）与切比雪夫多项式基函数网络的新型混合架构——LSTM–ChebyKAN模型。该模型采用数值稳定性更优的切比雪夫多项式替代传统KAN中的样条函数，构建ChebyKAN模块，以在保留LSTM时序建模能力的同时，显著增强非线性函数的逼近能力与训练稳定性。基于英国国家电网2009—2024年实际负荷数据进行实验验证。结果表明：所提模型在预测精度上全面优于RNN、GRU、LSTM及LSTM–KAN等模型；与性能最强的LSTM–KAN相比，其均方误差（MSE）降低约16.7%、平均绝对误差（MAE）下降约12.7%、平均绝对百分比误差（MAPE）降低约5.9%、决定系数（R²）也得到显著提升。进一步的跨季节泛化实验验证了其鲁棒性优势。LSTM–ChebyKAN模型能够更精准、稳定地捕捉复杂非线性负荷特征，为提升短期负荷预测的准确性与实际应用可靠性提供了一种有效的技术路径。

关键词

时间序列预测 / 深度学习 / LSTM / KAN / Chebyshev多项式 / 非线性建模 / 电力系统调度