image
Home Journals Electric Power
Electric Power

Abbreviation (ISO4): Electric Power      Chairperson: Changyu OUYANG

About  /  Aim & scope  /  Editorial board  /  Indexed  /  Contact  / 
Online first  /  Current issue  /  All issues  /  Top access  /  RSS

Electric Power >

2026 , Vol. 59 >Issue 8: 30 - 38

DOI: https://doi.org/10.11930/j.issn.1004-9649.202607100

Original article

Peak load forecasting in midsummer based on mechanism analysis of the＂Four Effects＂and time-series large models

  • Qing LIU , 1, 2 ,
  • Xingpei JI 1 ,
  • Peipei YOU 1 ,
  • Xinyang HAN 1 ,
  • Yaohua WANG , 1 ,
  • Baoguo SHAN , 1
Expand
  • 1 State Grid Energy Research Institute Co.， Ltd.， Beijing 102209， China
  • 2 Zhejiang University， Hangzhou 310058， China

Received date: 2026-07-05

  Revised date: 2026-07-30

  Online published: 2026-09-03

Fold

Abstract

In midsummer extreme heat waves occur frequently， and electricity demand surges to its annual peak，posing the greatest pressure and the highest uncertainty for power supply security.To accurately forecast the midsummer peak load and enhance prediction interpretability，this paper proposes a dual- path forecasting method that integrates mechanism analysis of the＂Four Effects＂with time-series large models.In the mech- anism analysis path，based on load composition theory，the total load is decomposed into base load and cooling load，which respectively characterize the economic growth effect，rest-day effect，temperature-rise effect，and accumulation effect.His- torical data of the summer peak load in 2025 are reviewed and decomposed，and then each effect component for midsummer 2026 is extrapolated to obtain the peak load forecast.In the data-driven path，the Chronos-2 time-series large model is adopted，integrating multi-source information including economic，meteorological，and calendar data for daily peak load forecasting.It is compared with patch time series transformer and light gradient boosting machine algorithms to select the best performer，and the mechanistic and data-driven paths are cross-validated against each other.The results show that， considering the latest economic and climatic conditions，the maximum load of a certain regional power grid in midsummer 2026 is 1305 GW，consisting of a base load of 934 GW （economic growth effect 934 GW，rest-day effect 0 GW）and a cooling load of 371 GW（temperature-rise effect 340 GW， accumulation effect 31 GW）.The time-series large model performs best on the test set，with a mean absolute percentage error of only 1.64％，and forecasts a peak load of 1306 GW， which is highly consistent with the conclusion of the＂Four Effects＂，thus verifying the reliability of the proposed method. This work is supported by National Key Research and Development Program of China（No.2024YFF0809200）.

Key words： Four Effects; mechanism analysis; time-series large models; midsummer; peak load forecasting

Cite this article

Qing LIU , Xingpei JI , Peipei YOU , Xinyang HAN , Yaohua WANG , Baoguo SHAN . Peak load forecasting in midsummer based on mechanism analysis of the＂Four Effects＂and time-series large models[J]. Electric Power, 2026 , 59(8) : 30 -38 . DOI: 10.11930/j.issn.1004-9649.202607100

0 引言

近年来，全球气候变化持续加剧，极端高温事件呈频次升高、历时延长、范围扩大的态势，持续推升用电负荷峰值，给电力系统安全稳定运行带来严峻挑战 [1-2] 。2025 年夏季，中国遭遇大范围高温高湿天气过程，全国平均气温创1961年以来历史同期新高，全国最大负荷连续4次刷新纪录，攀升至15.08亿kW，电网保供关键期由传统的＂七下八上＂（7 月下旬至8 月上旬）扩展至＂七上八下＂[3-4] 。2026 年入夏以来，欧洲、亚洲、美洲多地相继遭遇极端高温，法国6月25日最大负荷较6月上中旬跃升18.3％，美国宾夕法尼亚-新泽西-马里兰互联电网7月2日最大负荷逼近2006年历史峰值，负荷骤增同时引发供给紧张、电价上涨等连锁效应 [5-6] 。上述现象表明，气候因素已成为驱动盛夏最大负荷变化的关键变量。面对极端天气不确定性日益增强的现实，亟须构建融合气候因素与负荷演变规律的精准预测方法，为电力保供与系统调度提供科学支撑 [7-8] 。
国内外学者围绕电力负荷预测开展了大量研究。在影响因素方面，研究从早期气温、湿度等单一气象因子的相关性分析，逐步拓展至经济发展、产业结构、日期类型及用电行为等多维考察，揭示了温度是盛夏负荷增长的关键驱动因子 [9-12] 。多数研究仅侧重其中某一类或两类因素，未能将经济、气象、日期等多源异构信息纳入统一分析框架进行全方位刻画。在预测算法方面，研究从早期以差分整合移动平均自回归模型（autoregressive integrated moving average，ARIMA）为代表的经典统计模型 [13-15] ，逐步发展到支持向量机（support vector machine，SVM）[16-18] 、轻量级梯度提升机（ light gradient boosting machine，LightGBM ）[19-22]等传统机器学习方法，近年来长短期记忆网络（long short-term memory，LSTM）[23-26] 、分块时间序列变换器（patch time series transformer，PatchTST）[26-30]等深度学习模型凭借对长程时序依赖的建模优势，成为负荷预测的主流范式 [31-33] 。然而，现有深度学习算法多为＂黑箱＂结构，预测结果缺乏可解释性，难以从机理层面阐释预测成因；模型对气温变量通常仅以单一特征输入，未能深入刻画极端高温的累积效应与非线性响应。与此同时，时序大模型通过大规模预训练积累了通用时序知识，在少样本场景和跨领域泛化方面展现出独特潜力，但其在电力负荷预测领域的应用尚处于起步阶段，其适应性与有效性有待进一步验证。
本文的主要贡献体现在以下方面：1）提出＂四个效应＂负荷分解框架，基于负荷构成机理将用电负荷分解为基础负荷与降温负荷，进而刻画经济增长、休息日、温升和累积 4 类效应，结合2025年盛夏最大负荷复盘分析，推演2026年相应分量，提升最大负荷预测的可解释性；2）引入 Chronos 系列时序大模型第2版（Chronos time-series large model version 2，Chronos-2）[34]，融合经济、气象、日期等多源特征进行逐日最大负荷预测，并与 PatchTST、LightGBM 等深度学习和机器学习方法对比择优，以弥补极端高温场景刻画不足的短板；3）在此基础上，通过机理分析与数据驱动双路径的相互校核，增强预测结果的可靠性，其中机理路径提供可解释的成因分解，数据路径提供高精度的建模能力。

1 基于＂四个效应＂的盛夏最大负荷预测

1.1 模型方法

1）面向历史逐日负荷数据，开展＂四个效应＂分解。
将总负荷分解为基础负荷与降温负荷。采用春秋季基础负荷法，以春秋两季中气温适宜、负荷波动平稳的典型周为样本，将其负荷视为由经济因素驱动的基础负荷。考虑春季至秋季的平稳增长趋势，推算得到夏季逐日基础负荷。夏季实际负荷与基础负荷之差即为当日降温负荷，并针对工作日与休息日分别建模，即
$\begin{array}{c}{\mathit{L}}_{\text{cool },\mathit{d}}={\mathit{L}}_{\mathit{d}}-{\mathit{L}}_{\text{base },\mathit{d}}\end{array}$
式中：Ld 为第 d 日的总负荷；Lbase ,d 为第 d 日的基础负荷；Lcool ,d 为第 d 日的降温负荷。
界定基础负荷中经济增长效应与休息日效应。若当日为工作日，则经济增长效应为当日基
础负荷，休息日效应为0，即
$\begin{array}{c}{\mathit{L}}_{\mathrm{e}\mathrm{c}\mathrm{o},\mathit{d}}={\mathit{L}}_{\mathrm{b}\mathrm{a}\mathrm{s}\mathrm{e},\mathit{d}},\mathit{ }{\mathit{L}}_{\mathrm{h}\mathrm{o}\mathrm{l},\mathit{d}}=0\end{array}$
式中：Leco,d 为第 d 日的经济增长效应；Lhol,d 为第d 日的休息日效应。
若当日为休息日，则经济增长效应取所在周工作日平均负荷，休息日效应为当日基础负荷减去该均值（此时通常为负），即
$\begin{array}{c}{\mathit{L}}_{\text{eco },\mathit{d}}={\stackrel{\mathit{‾}}{\mathit{L}}}_{\text{base,work }},{\mathit{L}}_{\text{hol },\mathit{d}}={\mathit{L}}_{\text{base },\mathit{d}}-{\stackrel{\mathit{‾}}{\mathit{L}}}_{\text{base,work }}\end{array}$
式中： ${\stackrel{\mathit{‾}}{\mathit{L}}}_{\text{base，work }}$ 为休息日所在周工作日平均负荷。
将降温负荷进一步分解为温升效应和累积效应。建立日最大降温负荷与日平均气温之间的回归方程，即
$\begin{array}{c}{\mathit{L}}_{\mathrm{c}\mathrm{o}\mathrm{o}\mathrm{l},\mathit{d}}^{\mathrm{m}\mathrm{a}\mathrm{x}}=\mathit{f}\left({\stackrel{\mathit{‾}}{\mathit{T}}}_{\mathit{d}}\right)+\mathit{\epsilon }\end{array}$
式中： ${\mathit{L}}_{\text{cool },\mathit{d}}^{\text{max }}$ 为日最大降温负荷； ${\stackrel{\mathit{‾}}{\mathit{T}}}_{\mathit{d}}$ 为日平均气温；f(⋅) 为拟合函数；ε 为随机误差项。
将当日平均气温 ${\stackrel{\mathit{‾}}{\mathit{T}}}_{\mathit{d}}$ 代人拟合方程，所得值为温升效应，即
$\begin{array}{c}{\mathit{L}}_{\mathrm{t}\mathrm{e}\mathrm{m}\mathrm{p},\mathit{d}}=\mathit{f}\left({\stackrel{\mathit{‾}}{\mathit{T}}}_{\mathit{d}}\right)\end{array}$
式中：Ltemp ,d 为第 d 日的温升效应。
连续高温日的累积效应，定义为当日降温负荷减去温升效应的差值，即
$\begin{array}{c}{\mathit{L}}_{\mathrm{a}\mathrm{c}\mathrm{c},\mathit{d}}={\mathit{L}}_{\mathrm{c}\mathrm{o}\mathrm{o}\mathrm{l},\mathit{d}}-{\mathit{L}}_{\mathrm{t}\mathrm{e}\mathrm{m}\mathrm{p},\mathit{d}}\end{array}$
式中：Lacc,d 为第 d 日的累积效应。

2 ）面向盛夏进行分效应预测并叠加求和。

在基础负荷预测中，经济增长效应依据历史逐年第三季度最大负荷日基础负荷与不变价国内生产总值（gross domestic product，GDP）的拟合关系，结合三季度 GDP 预测值 ${\stackrel{\mathit{ˆ}}{\mathit{G}}}_{\mathit{t}}$ 得到盛夏最大负荷日基础负荷，即
$\begin{array}{c}{\stackrel{\mathit{ˆ}}{\mathit{L}}}_{\mathrm{e}\mathrm{c}\mathrm{o},\mathit{t}}=\mathit{g}\left({\stackrel{\mathit{ˆ}}{\mathit{G}}}_{\mathit{t}}\right)\end{array}$
式中： ${\stackrel{\mathit{ˆ}}{\mathit{L}}}_{\text{eco },\mathit{t}}$ 为第 t 年盛夏最大负荷日的经济增长效应预估值； ${\stackrel{\mathit{ˆ}}{\mathit{G}}}_{\mathit{t}}$ 为第 t 年第三季度不变价 GDP 的预测值；g(⋅) 为经济增长效应映射函数。
休息日效应选取当年春季典型周，计算周六、周日负荷较该周工作日平均水平的降幅，作为盛夏休息日效应取值，即
$\begin{array}{c}{\stackrel{\mathit{ˆ}}{\mathit{L}}}_{\text{hol },\mathit{t}}=\left\{\begin{array}{ll}{\mathit{\delta }}_{\text{sat }}{\stackrel{\mathit{‾}}{\mathit{L}}}_{\text{base, work },\mathit{t}}^{\text{spring }},& \text{, 周六 }\\ {\mathit{\delta }}_{\text{sun }}{\stackrel{\mathit{‾}}{\mathit{L}}}_{\text{base,work },\mathit{t}}^{\text{spring }}&,\text{ 周日 }\end{array}\right.\end{array}$
式中： ${\stackrel{\mathit{ˆ}}{\mathit{L}}}_{\mathrm{h}\mathrm{o}\mathrm{l},\mathit{t}}$ 为预测年（第 t 年）盛夏最大负荷日的休息日效应预估值； ${\stackrel{\mathit{‾}}{\mathit{L}}}_{\text{base，work，}\mathit{t}}^{\text{spring }}$ 为预测年（第 t 年）春季典型周内所有工作日基础负荷的平均值； ${\mathit{\delta }}_{\text{sat }}\mathrm{、}{\mathit{\delta }}_{\text{sun }}$ 为休息日效应系数，分别表示春季典型周中周六、周日的负荷较该周工作日平均水平的比例。
降温负荷预测方面，国家气候中心等权威机构会在3—7月初发布夏季/盛夏分省平均气温预测结果，温升效应的计算过程如下。
建立基准年夏季逐日最大降温负荷与逐日平均气温的拟合关系，见式（4）。
建立盛夏最大负荷日平均气温 Tpeak  与历史盛夏平均气温 ${\stackrel{\mathit{‾}}{\mathit{T}}}_{\text{summer }}$ 的拟合关系，即
$\begin{array}{c}{\mathit{T}}_{\text{peak }}=\mathit{h}\left({\stackrel{\mathit{‾}}{\mathit{T}}}_{\text{summer }}\right)\end{array}$
式中：h(⋅) 为将历史盛夏平均气温映射至最大负荷日平均气温的拟合函数。
结合盛夏平均气温预测结果，求得盛夏最大负荷日温升效应预估值 ${\stackrel{\mathit{ˆ}}{\mathit{L}}}_{\text{temp },\mathit{t}}$ ，即
$\begin{array}{c}{\stackrel{\mathit{ˆ}}{\mathit{L}}}_{\text{temp },\mathit{t}}=\mathit{f}\left({\stackrel{\mathit{ˆ}}{\mathit{T}}}_{\text{peak }}\right)\end{array}$
累积效应方面，结合历史盛夏高温日数 Nhot 与盛夏平均气温 ${\stackrel{\mathit{‾}}{\mathit{T}}}_{\text{summer }}$ 的拟合关系，预测盛夏高温日数，即
$\begin{array}{c}{\stackrel{\mathit{ˆ}}{\mathit{N}}}_{\mathrm{h}\mathrm{o}\mathrm{t},\mathit{t}}=\mathit{p}\left({\stackrel{\mathit{ˆ}}{\mathit{T}}}_{\mathrm{s}\mathrm{u}\mathrm{m}\mathrm{m}\mathrm{e}\mathrm{r}}\right)\end{array}$
式中： ${\stackrel{\mathit{ˆ}}{\mathit{N}}}_{\mathrm{h}\mathrm{o}\mathrm{t},\mathit{t}}$ 为第 t 年高温日数预测值；p(⋅) 为高温日数映射函数。
将该预测值 ${\stackrel{\mathit{ˆ}}{\mathit{N}}}_{\text{hot },\mathit{t}}$ 与基准年实际值 Nhot，base  对比，按比例折算预测年盛夏最大负荷日对应的高温累积日数，即
$\begin{array}{c}{\stackrel{\mathit{ˆ}}{\mathit{D}}}_{\mathrm{a}\mathrm{c}\mathrm{c},\mathit{t}}={\mathit{D}}_{\mathrm{a}\mathrm{c}\mathrm{c},\text{ base }}\frac{{\stackrel{\mathit{ˆ}}{\mathit{N}}}_{\mathrm{h}\mathrm{o}\mathrm{t},\mathit{t}}}{{\mathit{N}}_{\mathrm{h}\mathrm{o}\mathrm{t},\text{ base }}}\end{array}$
式中： ${\stackrel{\mathit{ˆ}}{\mathit{D}}}_{\mathrm{a}\mathrm{c}\mathrm{c},\mathit{t}}$ 为第 t 年盛夏最大负荷日对应的等效预测高温累积日数；Dacc, base  为基准年盛夏最大负荷日对应的实际高温累积日数；Nhot, base  为基准年实际高温累积日数值。
依据基准年高温连续日数与累积效应之间的关系，得到预测年盛夏累积效应预测结果为
$\begin{array}{c}{\stackrel{\mathit{ˆ}}{\mathit{L}}}_{\mathrm{a}\mathrm{c}\mathrm{c},\mathit{t}}=\mathit{q}\left({\stackrel{\mathit{ˆ}}{\mathit{D}}}_{\mathrm{a}\mathrm{c}\mathrm{c},\mathit{t}}\right)\end{array}$
式中：q(⋅) 为累积效应映射函数； ${\stackrel{\mathit{ˆ}}{\mathit{L}}}_{\mathrm{a}\mathrm{c}\mathrm{c},\mathit{t}}$ 为第 t 年盛夏最大负荷日的累积效应预估值。
最后，将上述 4 个效应的预测值叠加，得到盛夏最大负荷日的总负荷预测结果，如图1所示。
$\begin{array}{c}{\stackrel{\mathit{ˆ}}{\mathit{L}}}_{\mathrm{t}\mathrm{o}\mathrm{t}\mathrm{a}\mathrm{l},\mathit{t}}={\stackrel{\mathit{ˆ}}{\mathit{L}}}_{\mathrm{e}\mathrm{c}\mathrm{o},\mathit{t}}+{\stackrel{\mathit{ˆ}}{\mathit{L}}}_{\mathrm{h}\mathrm{o}\mathrm{l},\mathit{t}}+{\stackrel{\mathit{ˆ}}{\mathit{L}}}_{\mathrm{t}\mathrm{e}\mathrm{m}\mathrm{p},\mathit{t}}+{\stackrel{\mathit{ˆ}}{\mathit{L}}}_{\mathrm{a}\mathrm{c}\mathrm{c},\mathit{t}}\end{array}$
式中： ${\stackrel{\mathit{ˆ}}{\mathit{L}}}_{\text{total },\mathit{t}}$ 为第 t 年盛夏最大负荷日总负荷预测值。
图1 基于＂四个效应＂的盛夏最大负荷预测模型方法

Fig. 1 A modeling approach for midsummer peak load forecasting based on the＂Four Effects＂

1.2 2025年盛夏最大负荷复盘

为检验方法的稳定性，基于＂四个效应＂开展2024年、2025年盛夏最大负荷分解验证，重点针对2025年盛夏开展最大负荷复盘分析。2025年8月20日，某区域电网最大负荷达到12.35 亿 kW，为当年盛夏最高。其中基础负荷为8.65 亿 kW，同比增加0.45亿kW；降温负荷为3.7亿kW，同比增加 0.1 亿 kW。
从基础负荷来看，8月20日为工作日，未受休息日效应影响，经济增长效应为8.65亿 kW，同比增加0.45亿kW，反映了经济发展、产业运行及居民基本用电需求形成的基础负荷水平。
从降温负荷来看，温升效应方面，结合当日平均气温27.9 °C，以及降温负荷与日平均气温的拟合关系，可得温升效应为3.12亿kW，同比增加0.02亿kW，如图2所示。累积效应方面，经分析，某区域电网日平均气温超过 27 °C 时，将产生累积效应。2025年8月14日至8月22日平均气温均超过27°C，累积效应在前3天为3000万 kW以内，第4~6天升至3000万~5000万 kW，第7~9 天超过5000万 kW，如图3所示。最大负荷当天是连续高温第 7 天，累积效应达 0.58 亿 kW，同比增加 0.08 亿 kW。
图2 某区域电网日最大降温负荷与日平均气温的拟合关系

Fig. 2 Fitting relationship between daily peak cooling load and daily average temperature in a regional power grid

图3 2025年8月中下旬某区域电网＂四个效应＂负荷分解

Fig. 3 ＂Four-effect＂load decomposition for a regional power grid in mid-to-late August 2025

2024—2025年双年度对比表明，基础负荷增长与降温负荷变动均符合＂经济-气象＂逻辑，＂四个效应＂框架能够稳定刻画不同年份的负荷构成特征。

1.3 2026年盛夏最大负荷预测

预计盛夏某区域电网基础负荷为8.99亿~9.34 亿 kW。选取2026年4月20日—4月24日作为春季典型周样本，测算得到某区域电网工作日平均基础负荷为9.24亿kW，周六、周日基础负荷较工作日平均水平下降 1500 万~3000万 kW。考虑到逆周期政策加快落地，对经济运行的托底作用逐步显现，经济温和放缓态势趋于稳定，综合世界银行（4.4％）、国际货币基金组织（International
Monetary Fund，IMF）（4.6％）、亚开行（4.6％）、国家信息中心（4.5％）等权威机构对2026年中国全年 GDP 增速的预测，以及浦银国际、大华银行等市场机构对三、四季度经济增速将加快至 4.7％左右的研判，预计2026年三季度中国 GDP 同比增长4.7％。结合历年盛夏某区域电网最大负荷日基础负荷与 GD 的关系（如图4所示），预计2026年盛夏最大负荷日基础负荷为9.34亿kW（经济增长效应）。考虑到春季典型周工作日平均基础负荷与最大基础负荷的比例（约0.993），可得盛夏最大负荷日所在周的工作日平均基础负荷约为9.28亿kW。结合春季典型周周六、周日基础负荷较工作日平均水平的降幅，可推算盛夏最大负荷日所在周的周六、周日基础负荷分别为9.13 亿 kW、8.99 亿 kW（休息日效应）。
图4 某区域电网历年盛夏最大负荷日基础负荷与第三季度不变价 GDP 的拟合

Fig. 4 Fitting relationship between the base load onhistorical midsummer peak days and the third-quarter constant-price GDP in a regional power grid

结合最新气温预测结果，预计盛夏某区域电网最大降温负荷为 3.71 亿 kW。结合国家气候中心基于多模式集合与多尺度物理诊断的气候预测模型，预计盛夏某区域电网等效平均气温较常年同期偏高 1.2 °C。从温升效应看，结合某区域电网盛夏最大负荷日平均气温与盛夏平均气温的拟合关系（如图5所示），预计盛夏某区域电网最大负荷日平均气温为 28.8 °C。结合某区域电网日最大降温负荷与日平均气温的拟合关系（如图2所示），预计温升效应为 3.40 亿 kW。从累积效应看，根据历史盛夏高温日数与盛夏平均气温的拟合关系（如图6所示），可计算盛夏高温日数为22天，约为2025年的0.46倍。据此比例推算，最大负荷日对应的高温累积日数将由2025年的 9 天降至约 4 天。结合2025年8月中下旬高温连续日数第4天累积效应3100万 kW，预计2026年盛夏最大负荷的累积效应约为3100万 kW。
图5 最大负荷日平均气温与盛夏平均气温关系

Fig. 5 Relationship between average temperature on peak load days and average midsummer temperature

图6 盛夏高温日数与平均气温关系

Fig. 6 Relationship between number of high-temperature days and average temperature during midsummer

基于最新经济运行形势和气候预测结果，综合考虑基础增长、休息日、温升及高温累积＂四个效应＂影响，对各效应负荷贡献进行叠加分析，预计2026年盛夏某区域电网最大负荷达到13.05 亿 kW。

2 基于时序大模型等算法的盛夏逐日最大负荷预测

2.1 模型方法

为进一步验证基于＂四个效应＂的盛夏最大负荷预测结果的可靠性，本文引入时序大模型、深度学习、机器学习 3 类方法开展逐日最大负荷预测。采用测试集表现最优的模型预测结果，对＂四个效应＂方法得到的盛夏最大负荷预测结果进行交叉校核。
在具体模型选取上，分别以 LightGBM（机器学习）、PatchTST（深度学习）与 Chronos-2（时序大模型）作为3类方法的代表。其中，传统机器学习框架 LightGBM 训练速度快且适合处理经济、气象等高维结构化数据，但对负荷长期变化规律的刻画能力有限；经典深度学习模型 PatchTST借助 Transformer 架构，将时间序列划分为连续片段进行局部与全局注意力学习，既能提取局部变化特征，又能捕捉较长时间范围内的关联关系；而新一代时序大模型 Chronos-2 基于海量跨领域时序数据预训练，能够学习不同场景下的负荷变化规律，微调后即可适应目标任务，可同时捕捉长期趋势和短期波动，对复杂时序关系建模能力更强，预测精度最高。
考虑盛夏负荷的变化规律，模型选取的输入变量主要包括经济社会因素、气候因素和日期特征 3 类。其中，经济社会因素用于表征长期负荷增长趋势，选取全国 GDP、投资、消费、出口、工业增加值及空调保有量等指标；考虑不同指标统计周期差异，GDP 采用季度数据，空调保有量采用年度数据，其余指标采用月度数据。气候因素用于反映温度变化及极端天气过程影响，选取日平均气温、夏季累积效应日数和冬季累积效应日数等日度变量。日期特征方面，考虑工作日、周末及节假日等因素对负荷行为模式的影响，引入星期类型和节假日信息，如图7所示。

2.2 模型训练、验证与测试

本文采用 LightGBM（机器学习）、PatchTST（深度学习）与 Chronos-2（时序大模型）3类方法开展模型训练、验证与测试。数据样本按时间顺序划分为3部分：2018—2025年数据为训练集，用于学习负荷变化规律及外部因素影响；2026年1—4月数据为验证集，用于参数调优；2026年5—6月数据为测试集，用于检验预测能力。模型以经济社会指标、气候因素及日期特征为输入，以逐日最大负荷为预测目标，学习历史序列中的趋势、周期及外部因素驱动规律，并基于验证集反馈迭代优化，实现区域电网的逐日最大负荷预测模型构建。
模型测试结果表明， 3 类模型均能反映负荷变化趋势，但精度差异显著，如图8所示。其中，Chronos-2 模型预测效果最佳，测试集平均绝对百分比误差（mean absolute percentage error，MAPE）为1.64％；PatchTST模型次之，MAPE 为3.20％；LightGBM 模型相对较弱，MAPE 为7.02％。结果表明，时序大模型在复杂时间序列特征提取和多因素联合建模方面具有较强优势，能够更有效捕捉气候变化、经济发展及用电行为变化对负荷演变的综合影响，为后续盛夏最大负荷预测及＂四个效应＂结果校核提供可靠的数据驱动预测结果。
图7 基于时序大模型等算法的盛夏逐日最大负荷预测方法

Fig. 7 Midsummer daily peak load forecasting method based on large time-series models and other algorithms

图8 测试集各算法预测结果与真实值对比

Fig. 8 Comparison of predicted and actual values across different algorithms on the test set

2.3 模型预测结果与校核

基于时序大模型得到的盛夏最大负荷水平与前文＂四个效应＂预测结论高度一致，验证了预测结果的合理性。基于中国气象局全球气候预测模式（CMA Climate Prediction System version 3，CMA-CPSv3）输出的未来2个月逐日分省气温预测结果，可计算盛夏累积效应日数，再结合权威机构相关经济研判，可预测盛夏某区域电网逐日最大负荷。多模型对比结果显示，Chronos-2、PatchTST和 LightGBM 预测的盛夏某区域电网最大负荷分别为13.06 亿 kW、12.93 亿 kW 和12.20 亿 kW，如图9所示。其中，Chronos-2的预测结果与基于＂四个效应＂得出的预测结果（ 13.05 亿 kW）吻合度最高。
图9 盛夏各模型逐日最大负荷预测结果对比

Fig. 9 Comparison of daily maximum load forecast results by various algorithms in midsummer

3 结论

本文基于＂四个效应＂分解框架，复盘了2025年盛夏最大负荷构成，并预测了2026年盛夏最大用电负荷。在此基础上，引入时序大模型、深度学习和机器学习3类方法进行逐日最大负荷预测，选取测试集最优模型的预测结果，与机理路径的预测值相互校核，以提升最终预测结果的可靠性，主要结论如下。
1）基于＂四个效应＂的机理分析方法能够有效揭示盛夏最大负荷的形成机制。以某区域电网2026年盛夏为例，＂四个效应＂叠加预测最大负荷为13.05 亿 kW，其中基础负荷的经济增长效应和休息日效应分别贡献9.34亿kW和0，降温负荷的温升效应和累积效应分别贡献3.40亿 kW和0.31 亿 kW。
2）时序大模型在逐日最大负荷预测中表现最优，且与机理分析结论高度一致。以经济社会、气象、日期等多源信息为输入构建预测模型，测试集结果显示，Chronos-2、PatchTST 和 LightGBM的 MAPE 分别为1.64％、3.20％和7.02％，其中Chronos-2 精度最高，能更有效捕捉复杂气候条件下的负荷变化规律。Chronos-2 预测2026年盛夏最大负荷为13.06亿kW，与＂四个效应＂机理预测值（13.05 亿 kW）基本吻合，验证了双路径方法的稳健性。2类方法侧重不同，机理分析法的优势在于成因归因与情景推演，时序大模型的优势在于高精度建模，二者互补而非替代。
综上，机理分析与时序大模型相互校核的融合框架，既增强了对极端高温场景下负荷响应特征的刻画能力，也提升了预测结果的稳定性和可信度，可为电力系统迎峰度夏期间保供决策提供有力支撑。
后续研究可以从以下方面深化：1）将＂四个效应＂分解框架由盛夏场景拓展至冬季高峰负荷及全年尺度，验证其普适性；2）在时序大模型输入中引入降水、风速、辐照等多维气象因子，探索＂气象-负荷-新能源＂耦合预测范式；3）将所提方法推广至分省及地市层级，支撑更精细化的保供决策。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
袁家海, 张凯, 张健, 等. 极端高温天气下电力系统韧性提升策略[J]. 发电技术, 2025, 46(4):694-704.

YUAN Jiahai, ZHANG Kai, ZHANG Jian, et al. Resilience enhancement strategies for power systems under extreme high-temperature weather[J]. Power Generation Technology, 2025, 46(4): 694-704.

[2]
王耀华, 李晓纯, 杨宇, 等. 全球能源转型与地缘环境的交互关系[J]. 中国电力, 2025, 58(12):1-13.

WANG Yaohua, LI Xiaochun, YANG Yu, et al. Interactions between global energy transition and geopolitical environment[J]. Electric Power, 2025, 58(12):1-13.

[3]
曹恩惠, 费心懿, 余名伟. 极端高温,＂炙烤＂中欧电网[N]. 21世纪经济报道,2025-07-15(10).

[4]
张献方. 电网度夏向＂新＂向＂智＂转型[N]. 国家电网报,2025-09-15(1).

[5]
李丽旻. 欧洲电力系统再临＂烤＂验[N]. 中国能源报,2025-07-28(5).

[6]
董梓童. 极端高温＂烤＂验欧洲电网[N]. 中国能源报,2026-06-29(5).

[7]
赵子健, 马志远, 陈星, 等. 气候变化下中国跨省互联对电网供需平衡的影响评估[J/OL]. 中国电力,1-11[2026-07-22].

ZHAO Zijian, MA Zhiyuan, CHEN Xing, et al. Evaluating the Role of China Inter-Provincial Grid Interconnection in Power System Supply-demand Match Considering Climate Change Impacts[J/OL]. Electric Power,1-11[2026-07-22].

[8]
韦于思, 周颖, 商永朋, 等. 能源气候韧性下用电敏感行业识别与负荷预测[J]. 煤炭经济研究, 2025, 45(11):15-23.

WEI Yusi, ZHOU Ying, SHANG Yongpeng, et al. Identification and peak load forecasting of sensitive electricity-consuming industries under energy-climate challenges[J]. Coal Economic Research, 2025, 45(11):15-23.

[9]
PAULOS J P, AZEVEDO F, FIDALGO J N. Feature-engineered long-term hourly load forecasting with climatic uncertainty integration[J]. Electric Power Systems Research, 2026, 260: 113375.

[10]
汲国强, 段金辉, 吴姗姗, 等. 2026 年及＂十五五＂全国电力供需形势分析展望[J]. 中国电力,2026, 59(2):13-23.

JI Guoqiang, DUAN Jinhui, WU Shanshan, et al. Analysis and outlook on national power supply-demand situation for 2026 and the 15th Five-Year Plan period[J]. Electric Power, 2026, 59(2):13-23.

[11]
白婕, 秦晓辉, 许彦平, 等. 基于气候因素和社会经济指标的长期电力负荷时序预测方法[J/OL]. 电网技术,1-15[2026-07-23].https://doi.org/10.13335/j.1000-3673.pst.2025.1765.

BAI Jie, QIN Xiaohui, XU Yanping, et al Long-term power load time series forecasting method based on climate factors and socioeconomic indicators[J/OL]. Power System Technology,1-15 [2026-07-23].https://doi.org/10.13335/j.1000-3673.pst.2025.1765.

[12]
刘添, 张士宁, 翁宇威, 等. 中国电力消费不均衡性变化及时空演化机理分析[J]. 中国电力, 2026, 59(6):13-23.

LIU Tian, ZHANG Shining, WENG Yuwei, et al. Analysis on the spatiotemporal evolution mechanism of electricity consumption inequality in China[J]. Electric Power, 2026, 59(6):13-23.

[13]
HASSANPOURI BAESMAT K, SHOKOOHI F, FARROKHI Z. SP-RF-ARIMA:a sparse random forest and ARIMA hybrid model for electric load forecasting[J]. Global Energy Interconnection, 2025, 8(3):486-496.

[14]
于军琪, 聂己开, 赵安军, 等. 基于特征挖掘的 ARIMA-GRU 短期电力负荷预测[J]. 电力系统及其自动化学报, 2022,34(3): 91-99. YU Junqi,NIE Jikai,ZHAO Anjun,et al. ARIMA-GRU short-term power load forecasting based on feature mining[J]. Proceedings of the CSU-EPSA,2022, 34(3):91-99.

[15]
姜山, 周秋鹏, 董弘川, 等. 考虑数据周期性及趋势性特征的长期电力负荷组合预测方法[J]. 电测与仪表, 2022, 59(6):98-104.

JIANG Shan, ZHOU Qiupeng, DONG Hongchuan, et al. Long-term load combination forecasting method considering the periodicity and trend of data[J]. Electrical Measurement＆Instrumentation, 2022, 59(6):98-104.

[16]
AASIM, SINGH S N,MOHAPATRA A.Data driven day-ahead electrical load forecasting through repeated wavelet transform assisted SVM model[J]. Applied Soft Computing, 2021, 111: 107730.

[17]
刘岩, 彭鑫霞, 郑思达. 基于改进 LS-SVM 的短期电力负荷预测方法研究[J]. 电测与仪表, 2021, 58(5):176-181.

LIU Yan, PENG Xinxia, ZHENG Sida. Research on short-term power load forecasting method based on improved LS-SVM[J]. Electrical Measurement＆Instrumentation, 2021, 58(5):176-181.

[18]
陈逸枞, 张大海, 李宇欣, 等. 基于 DWT-MOSMA-SVM 的多目标优化短期母线负荷预测[J]. 电力建设, 2023, 44(3):49-55.

CHEN Yicong, ZHANG Dahai, LI Yuxin, et al. Multi-objective optimization based on DWT-MOSMA-SVM for short-term bus load forecasting[J]. Electric Power Construction, 2023, 44(3):49-55.

[19]
GONG J Q, QU Z G, ZHU Z L, et al. Ensemble models of TCN-LSTM-LightGBM based on ensemble learning methods for short-term electrical load forecasting[J]. Energy, 2025, 318: 134757.

[20]
李娜, 张湘涵, 刘淇淇, 等. 基于气象要素的 LightGBM 短期电力负荷预测研究[J]. 节能技术, 2026, 44(2):115-119, 154.

LI Na, ZHANG Xianghan, LIU Qiqi, et al. Study on short-term power load forecasting based on meteorological factors with LightGBM[J]. Energy Conservation Technology, 2026, 44(2): 115-119, 154.

[21]
徐岩, 张晓, 周兴华, 等. 基于 Prophet-LightGBM 的台区短期负荷预测方法[J]. 华北电力大学学报(自然科学版), 2024, 51(6): 13-19.

XU Yan, ZHANG Xiao, ZHOU Xinghua, et al. The short-term load forecasting method of transformer based on Prophet-LightGBM[J]. Journal of North China Electric Power University, 2024, 51(6): 13-19.

[22]
张未, 余成波, 王士彬, 等. 基于 VMD-LSTM-LightGBM 的多特征短期电力负荷预测[J]. 南方电网技术, 2023, 17(2):74-81.

ZHANG Wei, YU Chengbo, WANG Shibin, et al. Multi-featured short-term power load forecasting based on VMD-LSTM-LightGBM[J]. Southern Power System Technology, 2023, 17(2): 74-81.

[23]
SHAWON S M, HAIDER S N, BARUA A, et al. Hybrid CNN-LSTM model for urban energy load forecasting with IGA-XAI for smart grids:Peak and off-peak variability insights[J]. Results in Engineering, 2025, 28: 107245.

[24]
张桂林. 基于多尺度分解和 ICOA-KConvLSTM 的短期电力负荷预测[J/OL]. 中国电力,1-10[2026-07-24.

ZHANG Guilin. Short-term power load forecasting based on multi-scale decomposition and ICOA-KConvLSTM[J/OL]. Electric Power, 1-10[2026-07-24].

[25]
张家安, 李凤贤, 王铁成, 等. 一种采用记忆神经网络和曲线形状修正的负荷预测方法[J]. 电力工程技术, 2024, 43(1):117-126.

ZHANG Jiaan, LI Fengxian, WANG Tiecheng, et al. A load prediction method using memory neural network and curve shape correction[J]. Electric Power Engineering Technology, 2024, 43(1): 117-126.

[26]
周阔, 张鹏超, 王磊, 等. 基于最大信息系数与优化 VMD 的 DCN-BiLSTM 短期电力负荷预测[J/OL]. 中国电力,1-10[2026-07-28].

ZHOU Kuo, ZHANG Pengchao, WANG Lei, et al. Maximum information coefficient-guided DCN-BiLSTM with optimized VMD for short-term power load forecasting[J/OL]. Electric Power,1-10[2026-07-28].

[27]
QU Z J, MENG Y, HOU X X, et al. Integrated energy short-term multivariate load forecasting based on PatchTST secondary decoupling reconstruction for progressive layered extraction multi-task learning network[J]. Expert Systems with Applications, 2025, 269: 126446.

[28]
杨韵, 程永峰, 谢祥中, 等. 含分布式储能系统的主动配电网负荷预测模型构建[J]. 储能科学与技术, 2026, 15(4):1302-1311.

YANG Yun, CHENG Yongfeng, XIE Xiangzhong, et al. Construction of an active distribution network load forecasting model with distributed energy storage system[J]. Energy Storage Science and Technology, 2026, 15(4):1302-1311.

[29]
章莉, 王吉文, 张炜, 等. 基于 MOP-PatchTST 的分布式电源与负荷资源协同控制研究[J/OL]. 南京信息工程大学学报,1-15[2026-07-28].https://doi.org/10.13878/j.cnki.jnuist.20250428002.

ZHANG Li, WANG Jiwen, ZHANG Wei et al. Research on cooperative control of distributed generation and load resourcesbased on MOP-PatchTST[J/OL]. Journal of Nanjing University of Information Science and Technology,1-15[2026-07-28].

[30]
战泓伊. 基于 QR-PatchTST 的综合能源系统多元负荷概率预测[D]. 吉林: 东北电力大学, 2025.

ZHAN Hongyi. Probabilistic load forecasting for integrated energy systems based on quantile regression patch time series transformer[D]. Jilin:Northeast Electric Power University, 2025.

[31]
YU F, ADAM N A, SHAKARALIYEVA Z, et al. A deep reinforcement learning for joint short term electricity load and price forecasting in China＇s smart grids:Evidence from energy economics, market volatility and financial risk management[J]. Energy Strategy Reviews, 2026, 66: 102322.

[32]
邱敏, 王阳, 李建锋, 等. 新型电力系统负荷预测技术综述及基于数据空间的架构展望[J]. 全球能源互联网, 2026, 9(3):371-391.

QIU Min, WANG Yang, LI Jianfeng, et al. A review of load forecasting technologies for new power systems and architecture outlook based on data space[J]. Journal of Global Energy Interconnection, 2026, 9(3):371-391.

[33]
马恒瑞, 袁傲添, 王波, 等. 基于深度学习的负荷预测研究综述与展望[J]. 高电压技术, 2025, 51(3):1233-1250.

MA Hengrui, YUAN Aotian, WANG Bo, et al. Review and prospect of load forecasting based on deep learning[J]. High Voltage Engineering, 2025, 51(3):1233-1250.

[34]
ANSARI A F, STELLA L, TURKMEN C, et al. Chronos:learning the language of time series[J]. arXiv, 2024:2403.07815.

Options
Outlines

/

〈 〉