为加快实现双碳目标和能源结构转型，新型电力系统应运而生。由于系统中并入了高比例渗透的可再生能源，如何降低系统的波动性，保持其稳定运行变得至关重要。为了实现该目标，需要对新型电力系统进行协同优化控制；而电网和光伏作为电力系统的重要组成部分之一，准确预测电力负荷与光伏发电功率有利于系统的优化调度、提高运行可靠性并最大限度的降低运行成本。
上海理工大学能动学院徐洪涛教授科研团队对此开展了深入的研究。在电力负荷预测方面，研究团队创新性地构建了一种TCN-LSTM和LightGBM的集成模型。TCN-LSTM模型能够挖掘时间序列的时空特性，弥补LightGBM模型缺乏时间感知的缺陷，可以提高集成模型预测结果的稳健性；在光伏发电功率预测方面，考虑数据的时空特性，提出了融合季节趋势分解和自动调优的并行TimesNet-BiLSTM模型，用于超短期光伏功率的预测。其中TimesNet模型用来提取数据在二维空间上的多个周期性特征，BiLSTM模型则用来解决数据的长期依赖性问题。研究利用异步连续减半算法调优超参数，显著缩短模型的训练时间。与12种基准模型（即常见的机器学习和深度学习模型）进行比较，所提出的模型在两个不同的数据集上均实现了最佳的性能，证明了模型的鲁棒性和优越性。
图1并行TimesNet-BiLSTM模型的结构
基于上述研究成果，以弓建强博士为第一作者，徐洪涛教授为通讯作者的两篇科研论文《Ensemble models of TCN-LSTM-LightGBM based on ensemble learning methods for short-term electrical load forecasting》和《Parallel TimesNet-BiLSTM model for ultra-short-term photovoltaic power forecasting using STL decomposition and auto-tuning》分别于2025年3月和4月发表于《Energy》期刊中，并于近期连续入选ESI高被引论文。
高被引论文（Highly Cited Paper）是基于近10年发表的出版物，按每个ESI学科领域和出版年统计的引用次数排名前1%的论文。高被引论文一定程度上是科研突出和卓越影响力的指标，可用于全球范围内基于学科领域基线来做科研表现对标分析。该2篇ESI论文的连续入选，彰显了我院在能源系统前沿领域的科研创新实力与重要突破，体现了学院国际学术影响力的持续扩大。下一步，学院将持续完善科研支持与服务体系，强化有组织科研，鼓励教师立足学科前沿、紧扣国家“双碳”战略开展高水平研究，不断推动科研创新与成果转化，为能源转型与可持续发展贡献学院力量。
论文链接：
https://doi.org/10.1016/j.energy.2025.134757
https://doi.org/10.1016/j.energy.2025.135286
