短期电力负荷预测（STELF）是指对电力系统近期需求（未来数小时至数天）的预测。天气变化、新型用电场景出现等多种外部因素会影响电力需求，导致负荷数据波动且呈现非线性特征，这增加了短期电力负荷预测的复杂性与难度。过去十年间，深度学习已被应用于短期电力负荷预测领域，以高精度对电力需求进行建模与预测，为该领域的发展做出了重要贡献。本文对过去十年基于深度学习的短期电力负荷预测研究进行了全面综述，涵盖预测全流程，包括数据预处理、特征提取、深度学习建模与优化以及结果评估。此外，本文还指出了该领域当前存在的一些研究挑战，并提出了未来值得进一步探索的潜在研究方向。
论文：Short-Term Electricity-Load Forecasting by Deep Learning: A Comprehensive Survey
1 引言
电力负荷预测（Electricity-Load Forecasting，ELF）旨在满足电力系统的日常运营、管理和规划需求，可为系统运营商和规划人员提供重要指导与参考依据。由于缺乏大规模储能技术，电力系统必须保证持续供电以满足当前需求。因此，电力负荷预测已成为电力系统规划、调度和运营管理中的关键组成部分。短期电力负荷预测（Short-Term Electricity-Load Forecasting，STELF）利用历史负荷数据预测未来负荷，预测周期涵盖数小时至数天。作为一项时间序列预测任务，短期电力负荷预测主要用于智能电网的短期调度（包括设备维护、负荷分配及机组启停），同时也用于电价制定。1984年英国某电力公司的数据显示，预测误差每降低1%，每年可节省1000万英镑。提高短期电力负荷预测的准确性有助于优化规划与调度流程，降低电力系统的运营成本。这种实际应用价值使得短期电力负荷预测受到了研究人员的广泛关注。对过去十年相关文献的梳理发现，大多数负荷预测研究均聚焦于短期电力负荷预测领域。
诸多因素会对电力负荷产生影响，包括气候、天气、经济状况、季节性特征以及电价等。此外，智能电网技术的进步以及智能电表等传感器的广泛应用，显著增加了电力负荷数据的复杂性与数据量。这些数据呈现出强烈的非线性、随机性、波动性和复杂性特征，给短期电力负荷预测带来了挑战。准确、稳健且高效的短期电力负荷预测模型对于电力系统的可靠日常运营至关重要，因此开发高效的预测模型已成为短期电力负荷预测的重要研究目标。
自20世纪70年代起，电力负荷预测领域已开展了大量研究，并提出了多种预测方法。短期电力负荷预测方法大致可分为三类：统计方法、机器学习方法和深度学习方法。统计方法在处理线性关系时表现良好，但难以应对电力负荷数据中常见的非线性模式。支持向量机、决策树等机器学习方法通常适用于简单或中等复杂程度的数据模式。深度学习方法通过其多层结构能够捕捉并建模复杂的非线性关系，这对于预测电力负荷的动态变化尤为重要。综上，尽管传统统计方法和机器学习方法各有优势，但深度学习技术更适配电力负荷数据的动态性和非线性特征。
深度学习是近年来计算机科学和人工智能领域最具革命性的突破之一。其概念源于早期的人工神经网络（Artificial Neural Network，ANN）研究，人工神经网络属于浅层学习模型，由输入层、隐藏层和输出层组成。早期短期电力负荷预测研究中已应用了人工神经网络。深度神经网络（DNN）是包含多个隐藏层的人工神经网络，同样可用于短期电力负荷预测。深度神经网络的多层隐藏层构建了复杂的计算框架，能够以特征为输入表征不同层次的数据抽象。通过级联网络结构，深度神经网络的每一层都能提取和识别数据的不同特征，形成从基础特征到高级特征的层级结构，从而显著提升模型的灵活性和复杂问题处理能力。
循环神经网络（RNN）是专门为处理序列数据设计的深度神经网络，非常适合时间序列预测任务。尽管理论上循环神经网络是时间序列数据的理想处理工具，但在实际应用中可能面临梯度消失或梯度爆炸等问题。长短期记忆网络（LSTM）和门控循环单元（GRU）解决了梯度消失问题，使其在实际应用中更具效果。这些先进技术能够处理大规模、高维且非线性的数据，为短期电力负荷预测提供了更准确、更灵活的解决方案，使得深度学习成为短期电力负荷预测的首选技术。
以往的短期电力负荷预测综述从不同视角梳理了研究成果，有的涵盖各类模型，有的聚焦预测流程的特定环节。例如，《Short-term load forecasting models: A review of challenges, progress, and the road ahead》一文综述了多种短期电力负荷预测模型（包括时间序列模型和回归模型），而非仅聚焦人工智能模型；《Review of load forecasting based on artificial intelligence methodologies, models, and challenges》虽综述了基于人工智能模型的负荷预测，但重点关注数据处理和预测模型；《A comprehensive review of the load forecasting techniques using single and hybrid predictive models》的负荷预测综述仅聚焦于基于机器学习算法的混合模型。迄今为止，尚未有基于深度学习的短期电力负荷预测综述能够全面覆盖整个预测流程。本文旨在填补这一文献空白。
本文探讨了深度学习在短期电力负荷预测中的应用，对当前相关研究进行了全面综述。通过梳理2014-2023年的文献，本文对短期电力负荷预测的完整流程进行了分析。研究围绕八个研究问题（Research Question，RQ）展开，每个问题对应短期电力负荷预测流程的一个关键方面。本综述主要涵盖以下核心内容：（1）文献检索结果的总结与分析；（2）电力负荷数据集的分类与描述；（3）短期电力负荷预测数据预处理方法介绍；（4）特征提取方法分析；（5）基于深度学习的短期电力负荷预测模型分类、描述与总结；（6）优化过程综述；（7）评估指标总结；（8）短期电力负荷预测的挑战与未来发展趋势探讨。
本文其余部分结构如下：第2节介绍短期电力负荷预测的正式定义和基础深度学习模型的背景知识；第3节阐述本综述的研究方法，包括八个相关研究问题、文献检索方法及检索统计结果；第4-11节分别回答第3节提出的八个研究问题；最后，第12节对全文进行总结。
2 背景
本节将介绍STELF的任务定义及基础深度学习方法。其核心目标是帮助读者快速熟悉短期电力负荷预测，并初步了解深度学习方法。
2.1 STELF的任务定义
STELF旨在预测未来数小时至数天内的电力负荷。模型的输入包括历史负荷数据和部分影响因素，核心任务是学习一套从输入到输出的映射函数。若用y_{t}表示t时刻的负荷需求，短期电力负荷预测的目标则是预测未来h小时内的负荷需求，记为\hat{y}_{t+h}。预测模型通常可表示为：
\begin{aligned}
\hat{y}_{t+h}=f(y_{t},y_{t-1},...,y_{t-n+1},X_{t})\quad (1)
\end{aligned}其中，\hat{y}_{t+h}为t+h时刻的预测负荷；f为预测模型（可为统计模型、机器学习模型或深度学习模型）；y_{t}, y_{t-1}, ..., y_{t-n+1}为前n个时间段的历史负荷数据；X_{t}为t时刻的外部变量（如天气数据、日历信息等）。
2.2 基础深度学习模型
本小节将介绍传统深度学习模型，并探讨其创新点与变体形式。同时还会阐述这些模型的基本定义与结构，为更深入探究深度学习方法在STELF中的应用奠定基础。
2.2.1 深度神经网络
深度神经网络（Deep Neural Network，DNN）是一种复杂且高度非线性的表示学习方法，通常由输入层、多个隐藏层和输出层组成。隐藏层中的每个神经元都充当一个单元，在多维数据空间中执行映射操作，这些神经元共同从输入数据中提取复杂的抽象特征和模式。DNN的网络宽度和深度均可调整，而仅含单个隐藏层的浅层神经网络，仅能调整神经元数量这一参数。
DNN的优势不仅在于其深层结构，还体现在非线性激活函数上。ReLU、Sigmoid或Tanh等非线性激活函数，能使网络捕捉输入数据中的非线性关系和复杂模式。考虑到ELF负荷曲线受多种外部因素影响而具有非线性特征，将DNN用作预测模型是合理的。
深度信念网络（Deep Belief Network，DBN）是DNN的一种变体，采用分层无监督学习方法进行初始权重预训练。这种逐层无监督训练过程能确保每一层都有效捕捉前一层的特征，从而从训练集中提取最基础的特征。通常，DBN由多个堆叠的受限玻尔兹曼机（Restricted Boltzmann Machine，RBM）组成。RBM是一种ANN，包含可见层和隐藏层，同层节点间无连接，而异层节点间为全连接。堆叠的RBM用于模型预训练和无监督学习，顶层则通过反向传播神经网络进行微调。从本质上讲，RBM在学习原始输入数据概率分布特征表示的同时，也会提取特征信息。
2.2.2 循环神经网络
循环神经网络（Recurrent Neural Network，RNN）在处理序列数据（如时间序列数据）方面表现尤为出色。RNN的内部循环结构支持信息的持续传递，即利用先前的信息影响当前输出，这种能力也被称为记忆功能。然而，RNN在处理长序列时经常会遇到梯度消失或梯度爆炸问题，这阻碍了它们学习长期依赖关系的能力。长短期记忆网络（Long Short-Term Memory，LSTM）和门控循环单元（Gated Recurrent Unit，GRU）正是为解决RNN处理长序列时的梯度问题而设计的，它们通过不同的记忆机制来长期保留输入信息。面对ELF中明显的时间序列特征和循环模式，LSTM和GRU能够利用历史信息进行负荷预测，同时避免梯度相关问题。
LSTM是一种特殊的RNN，能够学习长期依赖关系，其设计初衷就是为了解决梯度消失问题。LSTM的核心在于其内部结构——记忆单元，该单元包含四个主要组件：输入门、遗忘门、输出门以及能够长期保存信息的细胞状态。
GRU是基于LSTM改进的模型，结构更简洁且训练时间更短，有助于更好地捕捉序列数据中的长期依赖关系。GRU将LSTM的遗忘门和输入门整合为一个更新门，同时合并了细胞状态和隐藏状态。与LSTM相比，GRU由于减少了一个门控单元，参数数量更少，这显著提升了计算效率。
LSTM和GRU均通过门控机制改善了信息流动的控制。LSTM提供了精确的控制机制，而GRU则通过简化控制逻辑提高了计算效率。两者的选择通常取决于具体的任务需求、数据特性以及可用的计算资源。
2.2.3 卷积神经网络
近年来，卷积神经网络（Convolutional Neural Network，CNN）已成为最受欢迎且应用最广泛的深度学习模型之一。尽管最初是为处理图像数据而设计，但CNN在处理时间序列数据方面也表现出极高的有效性。对于时间序列数据，一维（1-D）卷积层可通过滑动窗口机制捕捉局部模式和特征。此外，CNN能够处理具有网格状拓扑结构的数据，允许将序列数据转换为图结构数据进行处理。
一个CNN模型主要由四个部分组成：（i）卷积层（从输入数据中生成特征图）；（ii）池化层（对卷积特征进行降维处理）；（iii）扁平化层（将数据重塑为列向量）；（iv）全连接层（将卷积层和池化层提取的特征与其他层相连）。
3 研究方法
本节将介绍指导本研究的八个与STELF相关的研究问题（RQ，Research Question），同时详细说明文献检索方法以及用于筛选检索结果的筛选方法。本研究的方法论借鉴了以往的研究成果，采用了系统、全面且合理的研究思路。为便于描述，除非另有明确说明，本文中“STELF”均指代“基于深度学习的短期电力负荷预测”。
3.1 研究问题
本文对深度学习在STELF中的应用进行了全面综述，围绕以下研究问题展开，涵盖STELF全流程的关键环节：
- RQ1：文献检索结果的分布情况及分析如何？
- RQ2：电力负荷数据集有哪些类型？
- RQ3：如何对STELF数据集进行预处理？
- RQ4：特征提取的方法有哪些？
- RQ5：基于深度学习的STELF建模方法有哪些？
- RQ6：如何优化模型训练过程？
- RQ7：STELF研究结果的评估方式有哪些？
- RQ8：STELF面临的挑战及未来发展趋势是什么？
RQ1旨在探究过去十年间与深度学习在STELF中应用相关的文献分布情况，并进行详细分析；RQ2将概述电力负荷数据集的相关情况；RQ3会介绍数据预处理的步骤与方法；RQ4将探讨预测过程中采用的深度学习特征提取技术；RQ5将对当前STELF中的深度学习模型进行分类、描述与分析；RQ6将探究模型训练过程的优化方法；RQ7会系统总结预测结果的评估方式；RQ8将列出STELF的挑战与未来发展趋势。后续章节将根据下图所示结构，对每个研究问题进行详细解答。
3.2 文献检索
本文的文献检索方法参考了相关研究的思路，为确保数据收集的全面性，检索涵盖了以下主流数据库：
- ACM数字图书馆（ACM Digital Library）
- 爱思唯尔科学Direct数据库（Elsevier Science Direct）
- IEEE Xplore数字图书馆（IEEE Xplore Digital Library）
- 施普林格在线图书馆（Springer Online Library）
- 威立在线图书馆（Wiley Online Library）
- MDPI数据库（MDPI）
检索时间范围设定为2014-2023年。初步尝试使用部分关键词检索时发现，ELF相关文献的标题表述并不统一。例如，部分文献内容与ELF相关，但标题中未包含“electricity”或“power”等词汇；并非所有STELF相关文献的标题或关键词列表中都包含“short-term”（短期）一词。此外，由于深度学习方法的术语多样，若将其纳入关键词检索，可能会遗漏相关文献。为扩大检索范围，避免遗漏特定类别文献，最终未将“electricity”“power”“short-term”和“deep learning”纳入关键词，仅选取四个短语作为检索关键词：“load forecasting”“load forecast”“load prediction”和“load predicting”。
3.3 文献筛选与统计
根据上述检索参数，从六个数据库中共检索到2823篇文献，随后依据以下筛选标准进行进一步筛选：
- 非英文文献；
- 不涉及ELF相关内容；
- 未使用深度学习方法；
- 不聚焦于“短期”预测研究；
- 文献类型为综述类文章。
基于以上标准，从初始的2823篇文献中筛选出628篇。此外，采用滚雪球法对这些文献的参考文献进行进一步检索，新增22篇相关文献。最终，共有650篇文献纳入初步综述与统计分析范围，检索与筛选详情如下表“文献检索与筛选结果”所示。
| 数据库 | 检索结果文献数量 | 筛选后文献数量 | 滚雪球法新增文献数量 | 筛选与滚雪球法合计文献数量 |
|---|---|---|---|---|
| ACM数字图书馆 | 80 | 14 | 0 | 14 |
| 爱思唯尔科学Direct数据库 | 889 | 126 | 0 | 126 |
| IEEE Xplore数字图书馆 | 846 | 332 | 22 | 354 |
| 施普林格在线图书馆 | 440 | 20 | 0 | 20 |
| 威立在线图书馆 | 112 | 25 | 0 | 25 |
| MDPI数据库 | 456 | 111 | 0 | 111 |
| 总计 | 2823 | 628 | 22 | 650 |
本文对650篇文献进行了人工处理，包括初步核查所有文献，提取并记录关键信息（包括深度学习模型、数据集、数据预处理方法、预测区间、模型框图及评估指标等），最后按照图1所示结构整理文献内容。尽管统计与分析结果基于全部650篇文献，但本文并未逐一引用，而是根据提取的信息，选择性引用了内容相近的文献，最终全面综述并引用了约200篇文献。
4 文献检索结果的分布与分析
本节将解答RQ1。本文通过分析相关文献的发表年份趋势及其在不同文献来源的分布情况，为理解该领域的发展演变与研究范围提供框架。
4.1 发表趋势
本文收集了650篇文献的发表年份数据（如下图所示），以呈现2014-2023年间STELF相关文献的发表趋势。图a展示了每年的发表数量，图b展示了累积发表数量。
图a显示，2014-2016年这三年间，每年的发表数量均不足10篇。2017年起，发表数量开始快速增长，到2021年已突破每年100篇。此外，对累积发表数量的分析（图b）表明，STELF领域的研究成果呈指数级增长，且图b中拟合的线性函数具有极高的决定系数（R^2=0.9996）。图2a所示的这一趋势与近年来深度学习技术的快速发展直接相关，也凸显了该领域研究的重要性。
4.2 发表载体类型
这些文献来源于多个期刊和会议，其占比与分布情况如下图所示。图a显示，发表在期刊上的文献数量（55%）多于会议文献（45%）。图b显示，除2017年外，期刊发表数量始终高于会议发表数量，且两者均呈现出发表数量逐年增长的趋势。
5 电力负荷数据集
本节将解答RQ2，探讨数据集的分类的同时，重点分析一些常用的公共数据集。研究人员在选择电力负荷数据集时，需根据预测场景的具体需求挑选合适类型的数据集，这些场景可能包括居民家庭负荷、商业建筑负荷、工业负荷以及整个城市的系统级负荷等。
电力负荷数据集在STELF中起着关键作用。ELF通常依赖历史数据来预测特定时期的未来电力需求。随着深度学习方法的发展，这些模型需要大量数据进行训练才能实现准确预测。电力负荷数据集提供了全面的历史用电信息，包括不同时期的负荷变化、用户用电模式以及季节和天气因素对电力需求的影响。这些信息对于深入理解和准确预测电力需求模式至关重要。
5.1 数据集分类
根据可获取性，电力负荷数据集大致可分为公共数据集和非公共数据集两类。公共数据集通常可在线获取，一般由政府机构、电力市场运营商或研究机构提供。相比之下，非公共数据集通常不对外公开，原因包括保护竞争优势、保障国家安全、遵守法律法规或保护个人隐私等。
5.2 常用公共数据集
对650篇文献的梳理发现，其中涉及的数据集种类繁多。部分文献未提及数据集的名称或来源，而另一些文献则使用了多个数据集，这给统计工作带来了一定难度。下表中列出了一些最常用的公共数据集，具体如下：
- 新英格兰独立系统运营商（Independent System Operator of New England，ISO-NE）：该数据集包含北美新英格兰地区2003年3月至2014年12月的小时级电力负荷、温度、日期类型等信息。
- 澳大利亚能源市场运营商（Australian Energy Market Operator，AEMO）：该数据集包含澳大利亚五个地区（南澳大利亚州、昆士兰州、新南威尔士州、西澳大利亚州和维多利亚州）的30分钟级电力负荷时间序列数据。
- 全球能源预测竞赛（Global Energy Forecasting Competition，GEFCom）：每次竞赛都会提供不同的数据集，涵盖多个地区和时期的历史数据及相关影响因素，数据集的设计反映了能源市场和系统运行的实际情况。
- 加州大学欧文分校机器学习数据集库（University of California, Irvine Machine Learning Repository，UCI MLR）：这是一个广泛使用的公共数据库，涵盖从简单数据集到复杂多元时间序列数据集的各类数据，其中家庭负荷数据的采样频率为1分钟。
- 欧洲电力传输系统运营商网络（European Network of Transmission System Operators for Electricity，ENTSO-E）：该数据集来自覆盖35个欧洲国家的电力传输系统运营商组织，包含欧洲各地的实际小时级电力负荷时间序列数据。
- PJM互联电网（PJM Interconnection，PJM）：该数据集来自美国的一个区域传输组织，负责运营东部互联电网，为美国14个地区输送电力，数据以小时级兆瓦（MW）为单位记录。
- 爱尔兰能源监管委员会（Commission for Energy Regulation，CER）：该数据集记录了爱尔兰居民家庭和中小型企业的半小时级负荷数据。
- 2016年中国电力数学建模竞赛（2016 China Electrical Mathematical Modeling Competition）：该数据集源自中国电气工程数学建模竞赛，包含2009年至2015年的电力负荷数据和气象数据。
| 数据集 | 使用频次 | 采样频率 |
|---|---|---|
| 新英格兰独立系统运营商（ISO-NE） | 47 | 1小时 |
| 澳大利亚能源市场运营商（AEMO） | 35 | 30分钟 |
| 全球能源预测竞赛（GEFCom） | 23 | 1小时 |
| 加州大学欧文分校机器学习数据集库（UCI） | 23 | 1分钟 |
| 欧洲电力传输系统运营商网络（ENTSO-E） | 15 | 1小时 |
| PJM互联电网（PJM） | 11 | 1小时 |
| 爱尔兰能源监管委员会（CER） | 10 | 30分钟 |
| 2016年中国电力数学建模竞赛 | 10 | 15分钟 |
上表中列出的所有数据集均被使用过至少10次。其中，ISO-NE和AEMO的使用频次尤为突出，均超过30次，这凸显了它们在电力负荷预测研究中的重要作用和高活跃度。这些数据集的采样频率从每分钟到每小时不等，体现了实时粒度的多样性，能够支持广泛的研究和实际应用场景。此外，这些重要的电力数据集分布在多个地区，包括北美、澳大利亚、欧洲和中国。
大多数公共数据集可通过Kaggle、官方网站和专业数据仓库等平台在线获取，这为全球研究人员的获取和使用提供了便利。开放获取和快速更新是电力数据集发展的两大主要趋势。
6 STELF数据集预处理
本节将解答RQ3，介绍主要的数据预处理方法（包括数据清洗、外部变量选择和数据重构）。
数据预处理是直接影响预测模型准确性和可靠性的关键步骤。原始电力负荷数据通常包含噪声、异常值和不一致记录，还常常存在缺失值。若不加以处理，这些问题会严重干扰模型的学习过程，导致预测结果不准确或无效。数据预处理通过一系列方法（如缺失值填充、异常值检测与修正、数据标准化等）提升数据质量。此外，数据通常还具有强烈的时间特征和季节性变化，适当的预处理能帮助模型捕捉这些复杂模式，增强其对时间动态变化的理解和响应能力。本节将详细探讨各类数据预处理步骤与方法。需要说明的是，已发表的文献通常仅提及部分数据预处理步骤，而非全部。例如，有研究仅讨论了数据标准化，有的聚焦于缺失值处理，还有的介绍了数据标准化与数据重构。具体的预处理措施通常根据模型的设计需求来应用。
6.1 数据清洗
数据清洗过程包括处理缺失值、异常值、错误记录、重复数据以及进行数据标准化。
缺失值填补可采用多种数据插补技术。一些简单方法包括使用前一个时间点的值，或计算缺失值前后数据的平均值；其他方法还包括数据聚类、采用相邻日期同一时间点的值等。
异常值检测常用三倍标准差法，也有研究采用四分位距进行异常值检测，还有研究使用箱线图。通常，遇到异常值、错误记录或重复数据时，主要的补救策略是删除或替换（采用已有的缺失值处理方法）。
数据标准化旨在消除原始数据的量纲差异，使数据在同一尺度上进行比较和计算。使用原始数据进行分析可能会导致模型偏向数值范围较大的特征。数据标准化的两种常用方法为最小-最大归一化（Min-Max Scaling）和Z分数标准化（Z-Score Normalization）。
最小-最大归一化将数据调整到指定范围（通常为0-1），其公式为：
\begin{aligned}
x_{\text{norm} }=\frac{x-\min (x)}{\max (x)-\min (x)}\quad (2)
\end{aligned}其中，x为原始数据值；\min(x)和max(x)分别为原始数据的最小值和最大值；x_{norm}为归一化后的数据。
Z分数标准化将数据的均值调整为0，标准差调整为1，适用于需要减轻异常值影响和处理偏态分布的数据，其公式为：
\begin{aligned}
z= \frac{x-\mu}{\sigma}\quad (3)
\end{aligned}其中，x为原始数据值；\mu为数据的均值；\sigma为数据的标准差。
6.2 外部变量选择
STELF的准确性不仅取决于电力系统内部的运行状况，还需要充分考虑一系列重要的外部变量。数据清洗完成后的下一项任务是识别对预测结果有显著影响的外部变量，例如气候条件的变化、温度的周期性波动、假期状态以及工业活动的动态变化等。适当考虑这些外部因素有助于构建更全面的负荷预测模型，这通常涉及相关分析和变量重要性评估。
如下列表给出了六种常用的外部变量选择方法：
- Pearson Correlation Coefficient
- Copula Function Theory
- Maximum Information Coefficient
- Autocorrelation Function
- Spearman's Rank Correlation Analysis
- Principal Component Analysis
其中，皮尔逊相关系数（Pearson Correlation Coefficient）用于计算两个连续变量之间的相关关系，取值范围为-1至1；通过设定相关系数阈值，仅将与目标变量相关性超过该阈值的变量视为相关变量。
有研究采用最小绝对收缩与选择算子（Least Absolute Shrinkage and Selection Operator，LASSO）进行变量选择；还有研究提出了鲁棒ReliefF互信息递归特征消除混合特征选择方法（Robust ReliefF Mutual Information Recursive Feature Elimination Hybrid Feature Selection，RMR-HFS），该方法结合了过滤法和包装法进行变量选择。这些选择方法涵盖了从线性相关到非线性相关、从时间序列分析到降维技术的各类数据分析需求，每种方法都有其独特优势，有助于更好地理解和挖掘数据内部的相关性，进而构建更准确、高效的预测模型。
6.3 数据重构
数据重构在处理原始负荷数据的随机性、波动性、周期性和多样性方面发挥着关键作用，已成为众多短期电力负荷预测（STELF）研究的核心关注点之一。通过对历史负荷数据的深入挖掘，结合分解和聚类等先进分析技术，能够揭示数据中关键的重复模式和趋势，这对于预测模型至关重要，有助于模型更好地理解和捕捉时间序列数据内部的依赖关系。
数据重构常用多种方法。变分模态分解（Variational Mode Decomposition，VMD）技术将负荷数据分解为一系列本征模态函数（Intrinsic Mode Functions，IMFs），再利用这些函数重构数据用于模型训练；也有研究采用VMD技术将负荷数据分解为不同频率的模态，结合带自注意力机制的长短期记忆网络（LSTM）进行预测，这种多频率分析方法能更细致地处理负荷数据的复杂性。类似地，有研究采用经验模态分解（Empirical Mode Decomposition，EMD）将原始数据分解为一系列本征模态函数（IMFs），并使用相同模型对每个模态进行训练；在EMD基础上发展而来的集合经验模态分解（Ensemble Empirical Mode Decomposition，EEMD）和自适应噪声改进完全集合经验模态分解（Improved Complete Ensemble Empirical Mode Decomposition with Adaptive Noise，ICEEMDAN）也被用于数据重构。
先进的聚类方法也被应用于数据重构。有研究采用K形时间序列聚类（K-shape time-series clustering）将具有相似用电习惯和特征的用户分为多个类别；还有研究使用K均值聚类算法（K-means Clustering Algorithm）识别用电行为相似的客户群体；另有研究采用基于密度的带噪声应用空间聚类（Density-Based Spatial Clustering of Applications with Noise，DBSCAN）算法处理含噪声的数据集；还有研究利用小波变换（Wavelet Transform）技术将负荷数据分解为四个小波分量，然后为每个分量训练神经网络，实现对不同频率特征的精确预测。
下表“常用数据重构方法总结”总结了部分常用的数据重构方法。无论是分解技术还是聚类技术，其目标都是通过重构整体数据，捕捉数据的分布特征和潜在模式。由于负荷数据的复杂性，采用分而治之的策略（即每个部分使用相同或不同模型进行训练）能够提升模型的效率和准确性。重构技术不仅为模型提供了坚实的数据基础，还直接影响模型的设计、算法选择以及预测结果的精度。
| 重构方法 | 缩写 | 描述 |
|---|---|---|
| 变分模态分解（Variational Mode Decomposition，VMD） | 基于变分原理的分解方法，通过优化问题求解本征模态函数。 | |
| 经验模态分解（Empirical Mode Decomposition，EMD） | 基于经验的分解方法，通过迭代过程提取本征模态函数。 | |
| 小波变换（Wavelet Transform，WT） | 利用一组小波函数分析信号，同时提供信号的时间（或空间）和频率信息。 | |
| 基于密度的带噪声应用空间聚类（Density-Based Spatial Clustering of Applications with Noise，DBSCAN） | 基于密度的聚类算法，根据数据点的密度将其分类为聚类成员、噪声或边界点。 | |
K均值聚类算法（K-means Clustering Algorithm，K-means） 基于数据点相似度，将数据集划分为K个互不重叠的不同群体。 |
||
| K形聚类算法（K-shape Clustering Algorithm，K-shape） | 针对时间序列数据的聚类算法，根据形状相似度将数据划分为不同群体。 | |
| 奇异谱分析（Singular Spectrum Analysis，SSA） | 通过提取趋势、周期和噪声分量分解时间序列数据，进而分析时间序列。 |
7 特征提取方法
本节将解答RQ4，探讨深度学习如何有效从数据中提取深层非线性特征，从而提升模型的预测能力。特征提取的目的是从原始负荷数据中挖掘复杂关系，帮助模型理解负荷变化规律。在STELF中，特征提取是关键步骤，直接影响预测模型的性能。
深度学习能够以无监督学习的方式提取特征，自动从数据中学习有用的特征表示。在ANN的不同层级，可学习到不同抽象程度的特征，为模型提供丰富信息。在STELF中，除了考虑时间序列本身的特征关系外，还必须重视空间特征关系，例如涉及具有明显空间关联的区域或城市电网的大规模ELF。空间特征对于全面理解负荷变化模式、提高预测准确性同样至关重要。
7.1 时间特征关系提取
由于电力负荷数据属于时间序列数据，RNN可用于捕捉时间依赖关系。LSTM和GRU常用于时间特征关系提取，通过其记忆机制挖掘数据中的长期时间关联。
多通道一维卷积神经网络（Multi-Channel One-Dimensional Convolutional Neural Network，MCNN）在特征提取模型中的成功应用表明，卷积操作也可用于提取时间序列数据中的特征关系。通过一维卷积（One-Dimensional Convolution，Conv1D）操作，能够直接捕捉序列数据上的特征间关联。尽管一维CNN（1-D CNN）与RNN（如LSTM和GRU）功能相似，但它们具备独特的网络结构设计，以适应时间序列数据的不同特征和需求，这些结构设计使1-D CNN能够针对特定类型的序列数据进行优化，更擅长提取有用的特征关系。例如，通过Conv1D层从输入数据中提取关键特征，再通过池化层降低特征的维度和空间复杂度。
时间卷积网络（Temporal Convolutional Network，TCN）是另一种专为序列建模任务（尤其是时间序列数据相关任务）设计的ANN。由于TCN基于CNN构建，因此也被广泛用于提取特征向量和长期时间依赖关系。有研究提出结合TCN和LSTM的混合网络架构，以解决模型复杂度问题，该模型利用TCN捕捉时间序列中的感受野、有效建模时间依赖关系，同时融合LSTM处理长期依赖问题的能力。
7.2 空间特征关系提取
空间特征关系提取需要构建邻接矩阵来表示电力网络中节点间的连接关系，通过多维卷积获取空间特征。例如，有混合预测模型结合CNN和GRU，通过CNN提取空间特征，通过GRU提取时间特征；也有方法利用CNN从负荷数据中提取空间信息，再将提取到的特征输入RNN进行训练。
另一种方法是构建时空图模型，该模型能够同时捕捉电力负荷数据的空间和时间依赖关系。例如，将图结构数据输入时空同步图卷积网络（Spatio-Temporal Synchronous Graph Convolutional Network，STSGCN）模型，通过从历史负荷数据中提取固有的时空特征进行负荷预测。时空图模型通过融合多个节点的特征集，构建加权相似度时空图；空间卷积层（Spatial Convolutional Layer，SCL）为图中每个节点提取相邻节点的特征，从而增强全域节点特征。
需要注意的是，通过深度学习提取的特征不能直接应用于STELF，需通过有监督学习回归过程将这些非线性特征转换为预测结果。可采用多种方法（如线性/非线性回归、神经网络等）实现这一映射。
8 基于深度学习的STELF建模方法
本节将解答RQ5，对基于深度学习的预测模型相关文献进行全面综述。从预测结果的角度，预测模型可分为确定性预测模型和概率性预测模型两类。
8.1 确定性预测模型
在STELF中，确定性预测提供精确的数值结果，能够精准预测未来特定时间点或特定时间段内的负荷水平。这类预测聚焦于输出具体数值，而非范围或分布。由于相关文献和方法繁多，本节将从单一模型和混合模型两个视角展开分析。
8.1.1 单一模型
单一模型的核心优势是简洁，易于理解和构建。深度学习算法借助深度网络发挥作用，这类网络由一系列复杂的隐藏层组成。早期的STELF通过堆叠ANN实现预测效果。有研究采用DNN探索ELF，其中一种方法基于双端稀疏编码与深度神经网络融合，另一种则探究了单层与双层DNN架构的影响差异。DBN与DNN结构相似，它结合多个RBM用于ELF，通过逐层无监督学习方法对初始权重进行预训练。
通过多层堆叠形成的DNN或DBN通常缺乏记忆能力，这意味着它们在处理时间序列数据时，可能无法有效利用先前的信息。而RNN采用循环连接结构，在处理序列数据时能够保留先前信息，并可能根据序列中的早期元素调整输出。这使得RNN（包括此前介绍的LSTM和GRU）成为时序预测的热门选择，且已被应用于STELF。有研究提出了基于注意力机制的双注意力编码器-解码器结构，将LSTM用作特定的编码器和解码器，进行非线性动态时间建模。这种注意力机制能够动态聚焦输入序列中不同部分的重要性，显著提升配套使用的RNN性能；还有研究采用GRU结构聚焦关键变量，尤其在处理较长序列时，能有效提升模型性能。
双向RNN是一种创新的ANN架构，它整合了两个循环层，每层承担不同角色：一个层捕捉序列的正向流动信息，另一个层聚焦反向流动信息。这种双向处理机制能够全面理解序列数据，实现同时从两个时间方向提取特征和信息。常见的双向RNN有双向长短期记忆网络（Bidirectional Long Short-Term Memory，BiLSTM）和双向门控循环单元（Bidirectional Gated Recurrent Unit，BiGRU）等。这些双向结构具有强大的预测能力，在STELF研究中备受青睐。
将CNN用作独立的STELF模型时，可直接将时间序列数据视为一维图像，或从多元时间序列的序列值生成图像。CNN中的卷积层用于提取局部特征，池化层则对时间序列数据进行降维处理——这既有助于提取更抽象的特征，又能降低计算复杂度，最后通过一个或多个全连接层生成输出序列。TCN作为CNN的变体，通过增加卷积核的间距来扩展感受野，捕捉长距离序列依赖关系。TCN能够提取时间序列数据与非时间序列数据之间的复杂交互关系，生成精确的特征量；有研究采用TCN从多空间尺度样本中提取关键特征，得到初步预测结果。与CNN相关的另一类模型WaveNet，是由DeepMind开发的生成模型，主要用于生成音频波形，目前也已被应用于STELF。
2017年由Vaswani等人提出的Transformer模型，在多种自然语言处理任务中取得了巨大成功，随后被拓展至图像处理、时间序列预测等其他领域。其强大的特征提取和序列建模能力，使其成为STELF的优质选择。
基于Transformer衍生出两类模型：Informer和时间融合Transformer（Temporal Fusion Transformer，TFT）。Informer模型聚焦最关键的时间步，采用概率稀疏策略，忽略次要信息，例如有研究基于Informer构建了混合ELF模型，还有研究提出了一种考虑需求侧管理、基于自注意力机制的STELF方法，通过Informer对分解后的本征模态函数分量进行独立预测和重构。TFT模型则专注于如何整合不同类型的时间序列数据以提升预测精度，有研究探索了TFT在不同时间范围（如前一天、前一周）内小时级STELF中的应用潜力。
8.1.2 混合模型
在STELF中，混合深度学习模型正成为解决复杂预测问题的核心技术。这类模型整合多种深度学习模型，兼具多样性和灵活性的优势，通过互补长短，提升预测的准确性和稳健性。混合模型的组合策略主要分为两类：阶段式训练和联合训练。阶段式训练将训练过程拆分为一系列有序阶段，每个阶段聚焦特定学习任务；联合训练则是对混合模型的所有组件进行同步训练。
（1）阶段式训练：阶段式训练策略通过将复杂模型的训练过程分解为有序阶段，解决训练中的部分难题。在每个阶段，模型的一部分会被独立训练和优化，以学习特定模式。
CNN与RNN结合的混合模型因其优异性能已成为广泛采用的方案。有研究提出基于CNN和LSTM的混合模型，利用CNN层从输入数据中提取特征，再通过LSTM模型进行序列预测，支持时间序列数据的多步预测。该方法借助CNN高效提取局部特征的能力，将其输出的特征向量作为RNN的输入，使RNN能够进一步捕捉时间序列中的动态变化和长期依赖关系。还有研究采用基于参数迁移学习的CNN-GRU混合模型，将训练于大数据集的模型参数迁移至小数据集训练的模型中，有效提升了模型性能和预测精度，通过迁移学习解决了训练数据不足的问题。
基于阶段式结构的混合模型还有一些创新形式：图神经网络（Graph Neural Network，GNN）与TCN的组合，将GNN提取的特征传入TCN进行进一步训练；LSTM与TFT的组合，以LSTM作为编码器-解码器对数据进行预处理，再将预处理后的数据作为训练数据输入TFT；还有更复杂的融合方案，如条件生成对抗网络（Conditional Generative Adversarial Networks，CGAN）与CNN的混合模型，CGAN利用CNN精准捕捉内部特征的能力生成逼真的假样本，同时通过半监督回归层优化判别器，提升样本真实性识别能力。
（2）联合训练：联合训练将模型的各个组件整合到统一的训练框架中，实现各组件的同步训练。数据重构技术可能产生不同的模态，需要为每个模态单独训练模型，这种方法能够利用不同模态的特性，通过并行训练提升整体性能。
研究中可将数据分解为多个组件，针对每个组件分别使用不同模型进行同步训练。例如，有研究采用单位曲线旋转解耦（Per-unit Curve Rotation Decoupling，PCRD）技术将负荷分解为三部分：旋转单位负荷曲线、凌晨零点负荷和日平均负荷，通过CNN提取旋转单位负荷曲线的形状特征，同时通过TCN提取凌晨零点负荷和日平均负荷的时间特征。这种分而治之的机制会生成多个初步预测结果，最终需要通过加权平均、投票机制或注意力机制将其合成最终预测结果。还有研究采用注意力机制动态关联初步预测结果，其中CNN负责捕捉空间特征，GRU负责捕捉时间特征。
不同于现有在整个RNN顶层设置独立卷积层的ELF方法，有研究将3D卷积滤波器嵌入LSTM单元，能够捕捉通道内及空间邻域间的平移不变局部模式。这种通过层级模型整合、将一种深度学习模型嵌入另一种模型的策略，实现了数据特征的深度抽象和有效利用。还有研究采用该策略，将GRU与LSTM结合构建双向传播神经网络，以2D CNN提取的多维特征作为输入，为小时级ELF提供双向单元支持。
8.2 概率性预测模型
概率性ELF利用负荷的不确定性和随机性预测未来需求。与传统确定性方法不同，概率性模型能够量化预测不确定性，这对于电网规划和运行具有重要优势。概率性模型通过生成结果分布来表达预测不确定性，而非单一数值。
概率性ELF主要有两种实现方式：参数方法和非参数方法。参数方法基于对负荷数据分布的假设，通常假设数据遵循已知的概率分布（如正态分布或泊松分布）。非参数方法由于所需假设更少，适用性更为广泛，它无需数据遵循特定分布形式，而是直接从实际数据出发，通过数据本身挖掘概率分布特征。据了解，深度学习在概率性ELF中的应用已从确定性点预测拓展至概率分布预测，该过程需先生成点预测结果，再通过非参数技术（如分位数回归、自助法、置信区间估计、梯度提升和核密度估计等）构建概率性ELF模型。
有研究提出一种带两阶段注意力机制的LSTM，用于概率性短期区域负荷预测，通过分位数损失训练提升不确定性估计效果和预测精度。深度学习与非参数方法的结合是解决概率性ELF的创新方案，这种组合既发挥了深度学习捕捉数据复杂性、生成准确点预测的能力，又通过非参数技术实现了概率分布预测。有研究将传统基于LSTM的点预测拓展为基于分位数的概率性预测；还有研究整合了GRU的深度特征提取能力与CNN的高效并行处理能力，同时采用核密度估计精准拟合概率密度；另有研究提出分位数回归卷积双向长短期记忆网络（Quantile Regression Convolutional Bidirectional Long Short-Term Memory，QRCNNBiLSTM），将分位数回归与特征提取、双向数据处理相结合，能够对预测区间的上下边界进行精准联合预测。
深度学习与非参数方法在概率性ELF中的融合，能够更精准地捕捉负荷变化中的不确定性，为电力系统提供更全面、可靠的决策支持。
9 模型训练过程优化
本节将解答RQ6，探讨深度学习训练过程的优化方式。
优化主要涉及两个方面：网络结构优化和误差优化。网络结构优化与模型的架构设计相关，包括调整网络层数、配置神经元数量以及修改连接方式等，核心目标是构建能够捕捉数据复杂特征的稳健模型。误差优化则是对预测误差进行深入分析与微调，旨在最小化模型预测值与实际观测值之间的差异，从而提升模型的准确性和可靠性。
9.1 网络结构优化
网络架构设计是一项关键任务，需要谨慎选择每层的神经元数量、网络的隐藏层数量等参数。这种选择并非一步完成，而是需根据问题性质、数据特征以及模型的预期性能来确定。选择最优的网络结构和模型参数是一个复杂过程，目前已提出多种试错法和启发式优化算法。
试错法作为一种基础的问题解决方法，通过持续尝试和调整逐步逼近解决方案。它不仅局限于简单的实验与调整，还与启发式优化技术相结合，形成了高效且系统的优化策略。启发式算法灵感来源于自然界和社会现象中的优化机制，包括粒子群优化（Particle Swarm Optimization，PSO）、遗传算法（Genetic Algorithms，GAs）、鲸鱼优化算法（Whale Optimization Algorithm，WOA）、灰狼优化算法（Grey Wolf Optimizer，GWO）以及蝗虫优化算法（Grasshopper Optimization Algorithm，GOA）等。
基于贝叶斯优化的方法利用概率模型预测参数性能，引导搜索过程更智能地选择下一组候选参数。这种方法特别适用于高维参数空间，能显著减少所需的评估次数。总之，更精准的优化算法有助于更高效地探索潜在的庞大参数空间，找到能显著提升模型性能的参数组合。
9.2 误差优化
定义损失函数后，需要通过优化算法（如梯度下降及其变体Adam、RMSprop等）计算损失函数的梯度，进而更新网络权重。这些算法通过调整模型参数逐步降低损失函数值，提升模型准确性。以下是部分常用优化器的介绍：
- 随机梯度下降（Stochastic Gradient Descent，SGD）：每次迭代仅使用一个样本计算梯度并更新参数，更新速度快，但因仅依赖单个样本，可能导致方差较大。
- 均方根传播（RMSprop）：通过维护每个参数的平方梯度衰减平均值来调整学习率，实现自适应学习率调整，尤其适用于为不同参数设置不同学习率的场景，能加速收敛并避免局部最小值或鞍点问题。
- AdaBelief：引入“置信度”概念，该置信度取决于平方梯度与其历史均值的比值。当该比值大于1时，AdaBelief更倾向于信任当前梯度信息；否则，更依赖先前的梯度信息。
- Adam：一种自适应梯度下降方法，通过结合一阶矩和二阶矩的指数加权平均，为每个参数独立调整学习率，实现快速且稳健的优化过程。
10 预测结果评估
本节将解答RQ7，探讨预测结果准确性的评估方式。这不仅需要验证模型输出的准确性（确保预测结果接近实际负荷值），还涉及模型的可靠性和有效性。
对预测模型性能的全面评估需要一套评估指标，这些指标应能从不同角度量化预测误差的大小和分布，确保在统一标准下对不同模型的预测性能进行公平、客观的比较。确定性负荷预测的评估指标包括：均方误差（Mean Squared Error，MSE）、均方根误差（Root Mean Squared Error，RMSE）、平均绝对误差（Mean Absolute Error，MAE）、平均绝对百分比误差（Mean Absolute Percentage Error，MAPE）以及决定系数（R^2）；概率性负荷预测的评估指标包括：连续排序概率得分（Continuous Ranked Probability Score，CRPS）、预测区间覆盖概率（Prediction Interval Coverage Probability，PICP）和分位数损失（Pinball Loss，PL）。通常会结合使用多个评估指标，实现多维度评估。时序预测评价指标简介给出了全部常用评估指标的公式、描述及用途。
近年来，一些新颖的改进型评估指标也被引入。例如，有研究采用归一化均方根误差（Normalized Root Mean Square Error，NRMSE）作为评估指标；有研究使用平均区间得分（Average Interval Score，AIS）、覆盖概率（Coverage Probability，CP）和特异性概率（Specificity Probability，SP）评估区间概率预测的性能；还有研究引入覆盖 rate（Coverage Rate，CR）和区间平均收敛度（Interval Average Convergence，IAC），其中CR用于评估模型的预测覆盖能力（即模型生成的置信区间在总样本中覆盖真实值的比例），IAC用于评估模型的收敛性。
11 STELF的挑战与未来发展趋势
本节将解答RQ8，探讨深度学习在STELF应用中面临的挑战，以及未来可能的研究方向与发展机遇。
11.1 面临的挑战
尽管近年来深度学习在STELF领域的探索取得了显著进展，但仍存在一些亟待解决的挑战。这些挑战直接影响深度学习在STELF中的广泛应用，具体包括：
- 缺乏标准化数据集：STELF研究中使用的数据集类型多样，涵盖公共数据和私有数据，导致模型性能难以验证。缺少广泛认可的标准化基准数据集，使得不同模型的性能对比变得复杂且困难，开发标准化数据集成为推进该领域研究的迫切需求。
- 模型泛化能力不足：多数研究针对特定应用场景和负荷类型（如建筑负荷、家庭负荷、城市级负荷）展开，模型往往被过度优化以适配特定环境，在跨场景应用时性能易受影响，因此需要研发具有强泛化能力的模型。
- 概率性负荷预测研究欠缺：学术界对确定性STELF的研究较为充分，但对概率性负荷预测的关注较少。相比确定性预测，基于深度学习的概率性电力负荷预测（ELF）模型相关研究明显不足，需加强该领域研究以提升模型应对不确定性的能力。
- 深度学习结果可解释性差：基于深度学习的预测模型内部机制复杂，决策路径不透明，缺乏直观的可解释性，这在实际应用中可能影响模型的接受度和使用效果，因此提升深度学习的可解释性对其在电力系统中的长期应用至关重要。
- 实时预测能力不足：当前STELF的研究多基于离线学习模式，依赖大量历史数据进行训练，难以快速整合最新数据实现实时学习，而实际应用中对STELF的实时性需求日益增长，构建在线学习机制成为关键挑战。
11.2 未来研究趋势
近年来STELF的研究趋势朝着更高的融合度、精准度和智能化发展，通过研发更先进的预测模型，持续提升预测准确性和可靠性。未来的核心研究方向包括图像处理技术、大语言模型（Large Language Model，LLM）以及优化技术的深化应用：
- 图像处理技术的跨界应用：随着电网的发展，动态图模型能够适应节点和边的变化，保持预测模型的灵活性。图技术可整合地理位置、历史负荷、天气条件等多源数据。目前STELF中的图技术多通过卷积操作提取时空特征关系，但已有研究尝试将数据转换为图像，把待预测的未来值转化为空白区域，使预测问题类似图像缺失区域的像素生成。图像生成、分割等技术尚未在STELF中广泛应用，但其核心思路和方法可为STELF研究提供新视角，将这些技术的关键算法应用于STELF，能增强模型对复杂负荷模式的识别和预测能力。
- LLM的拓展应用：LLM技术近年来发展迅速，已开始被探索应用于时间序列预测任务，为该领域开辟了新方向。目前LLM在STELF中的应用尚未成熟，但预计将成为重要研究热点。这一应用可能解决预测模型泛化能力不足的问题，还有望实现ELF中的零样本学习——此类模型不仅能在多样化数据集上展现更强的适应性和预测能力，还能对未见过的数据做出合理预测。
- 优化技术的持续深化：优化是深度学习模型开发的关键环节，在STELF领域已受到关注。未来将继续探索更高效的优化算法，例如改进SSA、Adam等优化方法，并针对具体问题进行定制化设计。网络结构优化将向轻量化方向发展，误差优化过程会更加精细化（包括对损失函数的深入研究和定制）。模型压缩技术和加速算法将不断演进，使得优化过程更注重计算效率。
12 结论
本文综述了过去十年深度学习在STELF中的应用进展。在此期间，深度学习在STELF中的应用日益普及，且这一趋势将持续下去。本文采用全面的综述研究方法筛选相关文献，以确保研究结果的广度和深度。通过特定关键词检索六大主流数据库，并进行人工筛选，保障了数据的完整性。在文献综述过程中，本文基于设计的八个研究问题（RQ），专门提取并记录了每篇论文的关键信息。我们对提取的信息进行了细致整理，并制作了特定的图表，以帮助读者理解相关内容。
本文分析总结了文献检索结果，详细阐述了发表趋势。全文按照STELF的实际工作流程（包括数据集介绍、数据预处理方法、特征提取方法、深度学习模型介绍、优化方法及评估指标）构建论文结构，并对每个环节进行了深入分析。预测流程的每个环节内容均按特定方法分类呈现，确保条理清晰。本文结合引用的文献，对常用技术进行了简明阐释。这种结构化呈现方式使内容清晰且逻辑连贯，同时帮助研究人员快速了解该领域的研究趋势和核心问题。此外还总结了STELF领域面临的挑战及未来研究趋势。
总体而言，本综述论文采用全面、系统的研究方法，提供了具有重要学术价值和实际意义的指导。