基于改进Autoformer的电力负荷预测

来源：计算机技术与发展杂志2025年第04期北京时间：

作者：李明;石超山;谭云飞;文贵豪;罗勇航

摘要：针对基于 Transformer 的预测模型具有较高复杂度且仅关注时间步之间依赖性而忽略跨变量依赖性的问题,提出了一种基于 Patch-CDConv-Autoformer 的电力负荷预测方法。 首先,对输入的序列数据进行可逆实例归一化处理,以提高数据的平稳性。 然后,将序列数据分块编码并投影到向量空间中。 接着,将分块后的序列数据输入到 Autoformer 的编码器中,以捕获各时间周期之间的依赖关系。 之后,通过 CDConv 模块对编码器输出的时间依赖关系进行二次建模,并对跨变量之间的关系进行建模。 最后,对全连接层输出的预测结果进行逆实例归一化,以还原数据的原始分布,从而获得最终的预测结果。 该方法不仅进一步降低了复杂度,还提高了预测精度。 在三个公共电力数据集上的实验中,该方法在短期(预测步长≤48)预测任务中的均方误差(MSE)平均降低了 40. 84% ,在长期(预测步长≥192)任务中平均降低了25.72% 。与序列预测领域的先进模型相比,该方法在大多数预测任务中取得了更高的精度。

关键词：电力负荷预测;Transformer;分块编码;Autoformer;CDConv