PowerMamba：面向电力系统时间序列预测的深度状态空间模型与综合基准

基于摘要分析。该研究针对电力系统在需求电气化、可再生能源接入等变化下的多变量时间序列预测问题，提出 PowerMamba，将传统状态空间模型与深度学习结合，以同时建模和预测多个时间序列的潜在动态。贡献还包括外部预测处理模块、扩展数据集与开放访问工具箱，主要研究对象是电力系统，而非 EEG 或 BCI。 技术机制方面，作者设计了用于 sequence-to-sequence 预测的时序处理模块，将高分辨率外部预测纳入模型。作者报告，该模块仅带来可忽略的模型规模增加，且不损失准确性；摘要未说明外部预测的具体变量、时间对齐方式、状态空间实现、损失函数或训练配置，不能仅由 PowerMamba 名称推断其网络结构。 数据与结果方面，作者称发布了覆盖五年的负荷、电价、辅助服务价格及可再生能源发电数据，并在工具箱中整合所提模型、数据集和若干先进预测模型，以支持统一基准评估。作者报告，在多种电力预测任务中，相对所比较的先进模型，预测误差平均改善 7%，模型参数减少 43%。摘要未给出误差指标、各任务权重、具体基线、预测跨度或划分方式，因此这些数字不能用于跨协议直接比较。实验协议、消融及统计信息尚未验证；工具箱的访问与运行条件也尚未核对。 平台推测（待验证）：其多变量动态建模机制可能对应 EEG 多通道时序表征需求，但电力外部预测输入并不等同于 EEG 中可获得的辅助信息。可考虑复用状态空间时序模块，改造通道输入与任务输出；低信噪比、跨被试差异、通道配置变化及小数据训练可能使收益消失。一个可检验的假设是在固定被试内划分和相同预测跨度下，将该模块与参数规模相近的时序基线比较 EEG 片段预测误差，不引入测试期间不可获得的外部信息；该实验只能检验时序预测能力，不能证明 BCI 解码收益。相关 EEG 工作尚未检索确认。