摘要：電力負(fù)荷預(yù)測(cè)對(duì)電力系統(tǒng)的安全穩(wěn)定運(yùn)行具有至關(guān)重要的作用。鑒于當(dāng)前預(yù)測(cè)算法在精度及穩(wěn)定性方面的優(yōu)化仍存在不足，文章提出了一種改進(jìn)的Informer電力負(fù)荷預(yù)測(cè)模型——FWInformer。該模型針對(duì)電力負(fù)荷預(yù)測(cè)易受溫度、風(fēng)速等多種不確定性因素影響的問(wèn)題，采用快速傅里葉變換法篩選出相關(guān)性較高的特征變量作為輸入變量。為驗(yàn)證改進(jìn)效果，將FWInformer模型與原Informer模型進(jìn)行了對(duì)比實(shí)驗(yàn)分析。實(shí)驗(yàn)結(jié)果表明，F(xiàn)WInformer模型在均方誤差和平均絕對(duì)誤差兩項(xiàng)指標(biāo)上均優(yōu)于Informer模型，展現(xiàn)出更高的預(yù)測(cè)精度和更優(yōu)的計(jì)算效率。

關(guān)鍵詞：Informer模型；電力負(fù)荷預(yù)測(cè)；注意力機(jī)制；傅里葉變換

中圖分類號(hào)：TP391" " " "文獻(xiàn)標(biāo)識(shí)碼：A" " " 文章編號(hào)：1674-0688（2024）12-0012-05

0 引言

電力作為支撐各行各業(yè)穩(wěn)定發(fā)展的基礎(chǔ)能源，其負(fù)荷預(yù)測(cè)的準(zhǔn)確性對(duì)保障電力系統(tǒng)的經(jīng)濟(jì)性、效率和安全性至關(guān)重要。隨著電動(dòng)汽車等新型電力消費(fèi)設(shè)備的普及，電力系統(tǒng)的隨機(jī)性、不確定性和不穩(wěn)定性顯著增強(qiáng)，因此研發(fā)兼具穩(wěn)定性和預(yù)測(cè)準(zhǔn)確性的電力負(fù)荷預(yù)測(cè)模型顯得尤為迫切。電力負(fù)荷預(yù)測(cè)方法大致可分為物理方法、統(tǒng)計(jì)方法和人工智能方法。其中，人工智能方法憑借迅速發(fā)展的計(jì)算機(jī)技術(shù)成為當(dāng)前的研究熱點(diǎn)，其強(qiáng)大的非線性擬合能力和自適應(yīng)學(xué)習(xí)能力為預(yù)測(cè)精度及計(jì)算效率帶來(lái)了顯著提升。人工智能方法包括支持向量機(jī)、卷積神經(jīng)網(wǎng)絡(luò)、長(zhǎng)短期記憶網(wǎng)絡(luò)和Transformer等模型。在針對(duì)這些模型的應(yīng)用研究中，趙婷婷等［1］對(duì)機(jī)器學(xué)習(xí)在時(shí)間序列預(yù)測(cè)領(lǐng)域中的應(yīng)用進(jìn)行了綜述，介紹了包括股票走勢(shì)、氣象變化、能源消耗在內(nèi)的典型時(shí)間序列數(shù)據(jù)分析。Zhou等［2］提出了針對(duì)長(zhǎng)序列數(shù)據(jù)預(yù)測(cè)問(wèn)題的 Informer 模型，該模型利用稀疏自注意力機(jī)制大幅降低了運(yùn)算量，提升了長(zhǎng)序列數(shù)據(jù)預(yù)測(cè)的運(yùn)算效率。Informer 模型在捕獲長(zhǎng)序列輸入信息方面表現(xiàn)出色， 預(yù)測(cè)性能優(yōu)于現(xiàn)有主流預(yù)測(cè)模型， 并逐漸應(yīng)用于負(fù)荷預(yù)測(cè)領(lǐng)域。朱莉等［3］針對(duì)電力負(fù)荷數(shù)據(jù)的波動(dòng)性和非平穩(wěn)性導(dǎo)致的預(yù)測(cè)精度低的問(wèn)題，提出了一種結(jié)合二次分解重構(gòu)策略與Informer模型的深度學(xué)習(xí)電力負(fù)荷預(yù)測(cè)模型。魏震波等［4］采用快速傅里葉變換（FFT）計(jì)算原始電力負(fù)荷序列的期望頻率，作為負(fù)荷聚類的特征量。許越等［5］分析了外部因素對(duì)電價(jià)的數(shù)據(jù)變化的影響，提出了一種多步預(yù)測(cè)模型，將電價(jià)相關(guān)性較高的因素作為模型原始輸入序列，經(jīng)信號(hào)分解后分別輸入改進(jìn)的Informer模型進(jìn)行多步預(yù)測(cè)。席禹等［6］提出了基于Informer的變電站設(shè)備數(shù)據(jù)清洗技術(shù)，通過(guò)預(yù)測(cè)模型識(shí)別異常值、修正噪聲并記錄異常時(shí)間，有效滿足了清洗需求。

盡管Informer模型在處理序列數(shù)據(jù)方面具有優(yōu)勢(shì)，但是其概率稀疏的自注意力機(jī)制更側(cè)重于捕捉全局信息，可能忽略了數(shù)據(jù)中的局部特征細(xì)節(jié)，這可能導(dǎo)致在處理局部上下文匹配時(shí)出現(xiàn)異常?；谝延醒芯?，本文提出了一種改進(jìn)的Informer電力負(fù)荷預(yù)測(cè)模型——FWInformer。該模型在輸入序列經(jīng)過(guò)概率稀疏自注意力機(jī)制計(jì)算過(guò)后，增加了一層傅里葉變換層，用于篩選輸入變量中的重要上下文信息，提取序列數(shù)據(jù)的局部特征信息，從而提高預(yù)測(cè)準(zhǔn)確度。為評(píng)估 FWInformer 模型的有效性，本文采用了某地近3年的電力設(shè)備運(yùn)行數(shù)據(jù)進(jìn)行實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果表明，與Informer預(yù)測(cè)模型相比，F(xiàn)WInformer模型在不同預(yù)測(cè)步長(zhǎng)下均取得了更優(yōu)的預(yù)測(cè)效果。

1 FWInformer模型構(gòu)建

1.1 FWInformer模型總體架構(gòu)

FWInformer模型主要由輸入序列、編碼器、解碼器、全連接層以及輸出序列組成。Informer模型是專為應(yīng)對(duì)時(shí)間序列預(yù)測(cè)而設(shè)計(jì)的基于注意力機(jī)制的Transformer模型，它對(duì)傳統(tǒng)Transformer模型存在的幾個(gè)主要問(wèn)題進(jìn)行了優(yōu)化。這些問(wèn)題包括自注意力機(jī)制導(dǎo)致的高時(shí)間復(fù)雜度、多層堆疊引發(fā)的內(nèi)存瓶頸以及預(yù)測(cè)速度較慢等。為克服這些難題，Informer模型引入了概率稀疏自注意力機(jī)制，該機(jī)制有效降低了計(jì)算的時(shí)間復(fù)雜度和內(nèi)存消耗，大幅減少了計(jì)算成本，并增強(qiáng)了模型處理長(zhǎng)序列數(shù)據(jù)的能力。此外，為減少輸出維度和網(wǎng)絡(luò)參數(shù)數(shù)量，同時(shí)強(qiáng)化核心注意力信息，Informer模型還采用了自注意力蒸餾機(jī)制。該機(jī)制通過(guò)在每個(gè)注意力層后應(yīng)用正則化卷積與池化操作，將每層輸出量減半，使模型能夠更聚焦于關(guān)鍵信息，同時(shí)減輕了計(jì)算負(fù)擔(dān)。Informer模型還提出了并行生成式解碼器機(jī)制，使模型能夠在單次前向傳播過(guò)程中完成所有預(yù)測(cè)結(jié)果的輸出，不僅避免了誤差累積，還顯著提高了時(shí)間序列預(yù)測(cè)的速度和效率。這一改進(jìn)對(duì)于需要快速響應(yīng)和精確預(yù)測(cè)的應(yīng)用場(chǎng)景尤為重要。FWInformer模型在Informer模型的基礎(chǔ)上進(jìn)行了進(jìn)一步改進(jìn)。在輸入序列經(jīng)過(guò)概率稀疏自注意力機(jī)制和蒸餾操作后，還需歷經(jīng)一層快速傅里葉變換操作。這一步驟提高了特征數(shù)據(jù)的穩(wěn)定篩選能力，有助于更精確地識(shí)別數(shù)據(jù)的周期性特征。FWInformer模型總體架構(gòu)見圖1。

1.2 輸入模塊

編碼器的輸入序列由包含n個(gè)時(shí)間步長(zhǎng)（例如96 h）的用電量數(shù)據(jù)組成。通過(guò)引入絕對(duì)位置和時(shí)間編碼方法，對(duì)輸入序列進(jìn)行編碼，以確保在后續(xù)的特征提取過(guò)程中能夠獲得絕對(duì)位置和時(shí)間信息，輸入數(shù)據(jù)的編碼組合結(jié)構(gòu)見圖2。經(jīng)過(guò)蒸餾操作，每個(gè)小時(shí)的用電量數(shù)據(jù)被升維成d維（例如512維）的向量。因此，蒸餾操作后的輸出是一個(gè)包含n個(gè)token的序列，每個(gè)token代表一個(gè)時(shí)間步長(zhǎng)的用電量數(shù)據(jù)，并且每個(gè)token由一個(gè)d維（512維）向量表示。這一輸出可用矩陣x表示，其大小為d×n。

解碼器的輸入由編碼器的輸入序列中對(duì)應(yīng)的標(biāo)簽值Xtoken 引導(dǎo)，并附加一個(gè)標(biāo)量設(shè)為0的目標(biāo)序列占位符X0共同構(gòu)成。在完成Self-attention計(jì)算后，解碼器將這些輸入與編碼器輸出的Q（查詢向量）、K（鍵向量）、V（值向量）進(jìn)行Attention計(jì)算。

1.3 概率稀疏自注意力機(jī)制

Informer模型的概率稀疏自注意力機(jī)制解決了Transformer模型中注意力機(jī)制存在的分布不均問(wèn)題。在Transformer模型中，自注意力特征圖呈現(xiàn)長(zhǎng)尾分布，導(dǎo)致大部分成對(duì)點(diǎn)積映射的注意力分布不均衡。Informer模型采用KL散度（Kullback-Leibler divergence）來(lái)度量查詢向量的分布距離，通過(guò)與均勻分布的概率分布進(jìn)行對(duì)比，計(jì)算出相對(duì)熵。其中，第i個(gè)查詢向量的稀疏性通過(guò)以下度量公式計(jì)算：

[Mqi， K=lnj=1LKeqikTjd-1LKj=1LKqikTjd]，" " " " "（1）

其中：qi表示第i個(gè)查詢向量，K表示全部鍵向量，kj表示第j個(gè)鍵向量，T表示矩陣的轉(zhuǎn)置，L表示序列長(zhǎng)度，d表示變量輸入維度。公式（1）中等式右邊第一項(xiàng)計(jì)算的是每個(gè)查詢向量相對(duì)于所有鍵向量的對(duì)數(shù)求和指數(shù)（LSE），用于度量各個(gè)鍵在每個(gè)查詢向量作用下的總體影響，第二項(xiàng)是所有鍵的點(diǎn)積值的算術(shù)平均值，能夠反映鍵向量對(duì)查詢向量的整體平均響應(yīng)。為避免梯度消失，還對(duì)數(shù)據(jù)進(jìn)行了歸一化處理。計(jì)算之后，隨機(jī)選擇u個(gè)點(diǎn)積對(duì)，以將計(jì)算復(fù)雜度降低至O（LlnL）。基于上述方法，得到Informer模型的概率稀疏自注意力計(jì)算公式：

[A（Q， K， V）=Softmax（QKTd）V]，" " " " " " "（2）

其中：A表示Attention機(jī)制，[Q]表示經(jīng)過(guò)隨機(jī)選擇后的查詢向量，K、V分別表示鍵向量和值向量組成的矩陣，Softmax是激活函數(shù)。

1.4 自注意力蒸餾機(jī)制

完成概率稀疏計(jì)算后，模型將對(duì)輸入序列進(jìn)行堆疊處理，并對(duì)每一層采用一維卷積和池化操作，以實(shí)現(xiàn)下采樣，從而解決長(zhǎng)輸入序列導(dǎo)致的內(nèi)存占用過(guò)高問(wèn)題。從j到j(luò)+1層的蒸餾操作過(guò)程的表達(dá)式如下：

[Xtj+1=MaxPoolingELUConv1dXtjAB]，" （3）其中：Conv1d表示一維卷積操作，旨在提取局部特征，通過(guò)學(xué)習(xí)輸入序列中的模式，卷積操作能夠捕捉時(shí)間序列數(shù)據(jù)中的依賴關(guān)系；ELU是激活函數(shù)，它能夠在保持正向信號(hào)不變的同時(shí)，對(duì)負(fù)值部分進(jìn)行非線性變換，這一特性有助于加速訓(xùn)練過(guò)程并提高模型性能；MaxPooling表示對(duì)每一層進(jìn)行最大值池化操作，其目的在于減少特征圖的空間尺寸，即實(shí)現(xiàn)下采樣。MaxPooling通過(guò)選取每個(gè)局部區(qū)域內(nèi)的最大值保留最重要的信息，同時(shí)減少后續(xù)層的數(shù)據(jù)量和計(jì)算復(fù)雜度。自注意力蒸餾機(jī)制示意圖見圖3。

1.5 快速傅里葉變換

快速傅里葉變換（FFT）是一種高效算法，旨在利用計(jì)算技術(shù)加速離散傅里葉變換（DFT）的過(guò)程。其核心理念源于傅里葉變換理論和數(shù)據(jù)中潛在的稀疏性，通過(guò)優(yōu)化DFT的計(jì)算流程，特別是針對(duì)輸入數(shù)據(jù)的奇偶性和實(shí)虛部特性，顯著提升了算法效率。相較于傳統(tǒng)的離散傅里葉變換方法，F(xiàn)FT極大地加快了變換速度，使得處理大規(guī)模數(shù)據(jù)集成為可能，同時(shí)保持傅里葉分析的精確性，并大幅減少了所需的計(jì)算資源和時(shí)間。FFT機(jī)制的核心在于能夠更高效地處理序列信息，特別是在識(shí)別周期性模式和長(zhǎng)期依賴方面。通過(guò)FFT，序列的復(fù)雜交互得以簡(jiǎn)化，降低了復(fù)雜度，為后續(xù)的注意力計(jì)算提供了便利。

傅里葉變換層（Fourier Layer）接收一個(gè)形狀為（Q，K，V）的三維張量作為輸入。該輸入張量先沿著hidden_dim維度（默認(rèn)為第2維）進(jìn)行第1次離散傅里葉變換，再沿著seq_dim維度（默認(rèn)為第1維）進(jìn)行第2次離散傅里葉變換。這2次變換均通過(guò)離散傅里葉變換的高效算法函數(shù)來(lái)完成，其公式如下：

[Xk=k，n=0N-1xn?e-i?2πk?n/N]。" " " " " " "（4）

其中：X［k］表示輸出的第k個(gè)向量，x［n］表示輸入的序列數(shù)據(jù)，N表示序列長(zhǎng)度，i表示虛數(shù)單位。

FFT算法利用DFT的對(duì)稱性和周期性，通過(guò)遞歸或迭代的方式，將DFT的計(jì)算復(fù)雜度從O（N2）降低到O（NlogN）。雖然FFT并未改變DFT的基本公式，但是顯著提高了計(jì)算效率。值得注意的是，由于傅里葉變換的結(jié)果包含復(fù)數(shù)部分，而實(shí)際應(yīng)用中通常在實(shí)數(shù)域內(nèi)進(jìn)行處理，因此完成兩次變換后，僅取結(jié)果的實(shí)部作為最終輸出。這樣，輸出張量的形狀仍然保持為（Q，K，V），但其元素均為實(shí)數(shù)，如下：

[XQ， K， V=real]

[FFTFFTx，dim=hidden_dim，dim=seq_dim]，（5）

其中：x表示輸入張量，F(xiàn)FT表示傅里葉變換函數(shù)，real表示取實(shí)部操作。公式（5）展示了輸入張量x經(jīng)過(guò)2次傅里葉變換并取實(shí)部后得到輸出張量的過(guò)程。

1.6 輸出模塊

在解碼器完成其執(zhí)行過(guò)程后，將進(jìn)行全連接層的操作以整合特征。全連接層作為神經(jīng)網(wǎng)絡(luò)架構(gòu)中的一個(gè)關(guān)鍵組件，由一組節(jié)點(diǎn)構(gòu)成，每個(gè)節(jié)點(diǎn)均與前一層和后一層的所有節(jié)點(diǎn)相連。這種點(diǎn)對(duì)點(diǎn)的連接模式使得全連接層能夠綜合處理來(lái)自之前層（如Informer模型的特征提取階段）的信息。全連接層模仿生物神經(jīng)系統(tǒng)中神經(jīng)元間的密集連接，具備強(qiáng)大的信息整合能力，能將局部具有分類意義的特征映射為全局描述。在神經(jīng)網(wǎng)絡(luò)中，全連接層的作用之一是將卷積層或池化層輸出的空間或時(shí)間上的局部特征轉(zhuǎn)化為更高層次的抽象表示。為增強(qiáng)模型性能，全連接層通常會(huì)應(yīng)用激活函數(shù)，如ReLU、Softmax等。ReLU函數(shù)能加速訓(xùn)練過(guò)程并緩解梯度消失問(wèn)題，而Softmax函數(shù)則常用于多分類任務(wù)，通過(guò)將輸出轉(zhuǎn)換為概率分布來(lái)輔助分類決策。在Informer模型中，針對(duì)具體任務(wù)選擇適當(dāng)?shù)膿p失函數(shù)至關(guān)重要，因?yàn)樗笇?dǎo)模型的學(xué)習(xí)方向。全連接層傾向于使用Softmax函數(shù)配合交叉熵?fù)p失進(jìn)行最終的數(shù)據(jù)分類或預(yù)測(cè)生成，這有助于提高模型的分類準(zhǔn)確性，并確保輸出結(jié)果的概率解釋性。模型最終采用批量生成式預(yù)測(cè)，直接輸出所有預(yù)測(cè)結(jié)果，從而提高長(zhǎng)序列的預(yù)測(cè)速度，公式如下：

[Xtfeed_de=ConcatXttoken， Xt0∈RLtoken+Lydm] ，" " "（6）

其中：[Xtfeed_de]代表輸入序列中的動(dòng)態(tài)采樣部分，[Xttoken]代表序列的長(zhǎng)度。在自注意機(jī)制中，采用masked多頭注意力技術(shù)的關(guān)鍵在于將不合規(guī)的點(diǎn)積值設(shè)為負(fù)無(wú)窮大（[-∞]），以確保每個(gè)位置不會(huì)獲取到其后續(xù)位置的信息，從而避免自回歸現(xiàn)象。最終的輸出結(jié)果來(lái)自全連接層，并且該層的規(guī)模會(huì)根據(jù)預(yù)測(cè)任務(wù)是單變量還是多變量而相應(yīng)調(diào)整。

2 實(shí)驗(yàn)內(nèi)容

2.1 數(shù)據(jù)集

本文數(shù)據(jù)來(lái)源于美國(guó)亞利桑那州立大學(xué)（Arizona State University）2021—2023年的23 847條變壓器用電量數(shù)據(jù)，以及同期從美國(guó)國(guó)家海洋和大氣管理局（National Oceanic and Atmospheric Administration，NOAA）獲取的亞利桑那州立大學(xué)附近氣象站的氣象數(shù)據(jù)。數(shù)據(jù)單位時(shí)間為 1 h，并按照 7∶2∶1 的比例劃分為訓(xùn)練集、測(cè)試集和驗(yàn)證集。數(shù)據(jù)集特征包括Temperature（溫度）、Dew Point Temperature（露點(diǎn)溫度）、Pressure（氣壓）、Wind direction（風(fēng)向）和Wind speed（風(fēng)速）。

在使用數(shù)據(jù)集之前，需進(jìn)行數(shù)據(jù)預(yù)處理，包括缺失值處理和數(shù)據(jù)歸一化處理。針對(duì)缺失值處理問(wèn)題，考慮到電力數(shù)據(jù)存在較強(qiáng)的波動(dòng)性和隨機(jī)性，導(dǎo)致局部數(shù)據(jù)缺失的情況時(shí)有發(fā)生。對(duì)于大范圍的連續(xù)數(shù)據(jù)缺失，選擇使用歷史同期數(shù)據(jù)進(jìn)行填充；而對(duì)于小范圍缺失的部分，則通過(guò)計(jì)算前后數(shù)據(jù)的平均值進(jìn)行填充。數(shù)據(jù)歸一化的目的在于消除不同特征之間因量綱差異帶來(lái)的影響，從而提高模型訓(xùn)練的收斂速度和穩(wěn)定性。本文采用Min-Max歸一化方法，將各特征的數(shù)據(jù)數(shù)值范圍統(tǒng)一映射至［0，1］區(qū)間內(nèi)，以確保每個(gè)特征對(duì)模型的影響權(quán)重更加均衡。具體的轉(zhuǎn)換公式如下：

[x=x-xminxmax-xmin]，" " " " " " " " " " " " " " "（7）

其中：[x]表示原始數(shù)據(jù)值，[xmin]和[xmax]分別表示該特征下的最小值和最大值，[x]表示歸一化后的數(shù)據(jù)值。

為了使預(yù)測(cè)結(jié)果更貼近實(shí)際情況，本文在完成模型預(yù)測(cè)后還進(jìn)行了反歸一化操作。該過(guò)程將預(yù)測(cè)值及其誤差從歸一化后的［0， 1］區(qū)間還原至其原始的數(shù)據(jù)值范圍，以精確呈現(xiàn)預(yù)測(cè)誤差的實(shí)際意義和大小。

2.2 實(shí)驗(yàn)評(píng)價(jià)標(biāo)準(zhǔn)

實(shí)驗(yàn)選用均方誤差（MSE）作為模型預(yù)測(cè)評(píng)價(jià)指標(biāo)之一，MSE通過(guò)計(jì)算每個(gè)預(yù)測(cè)值與對(duì)應(yīng)真實(shí)值之差的平方的平均值，量化模型的預(yù)測(cè)精度。MSE不僅能反映模型的整體預(yù)測(cè)精度，還能凸顯預(yù)測(cè)偏差較大的情況。另一評(píng)價(jià)指標(biāo)為平均絕對(duì)誤差（MAE），它通過(guò)計(jì)算預(yù)測(cè)值與對(duì)應(yīng)真實(shí)值之差的絕對(duì)值的平均值，同樣量化模型的預(yù)測(cè)精度。MSE和MAE的公式如下：

[MSE=1mi=1myi-yi2]，" " " " " " " " " " （8）

[MAE=1mi=1myi-yi]，" " " " " " " " " "（9）

其中：m為測(cè)試數(shù)據(jù)集大小，[yi]表示第i個(gè)樣本的預(yù)測(cè)值，[yi]表示第i個(gè)樣本的實(shí)際值。

2.3 實(shí)驗(yàn)結(jié)果與分析

實(shí)驗(yàn)代碼采用 Python語(yǔ)言及第三方庫(kù)編寫，深度學(xué)習(xí)環(huán)境選用 Pytorch框架，并在 GPU（圖形處理單元）上進(jìn)行模型訓(xùn)練。模型訓(xùn)練使用的部分參數(shù)設(shè)置見表1。

實(shí)驗(yàn)部分主要對(duì)比了FWInformer模型與Informer模型在MSE和MAE這兩項(xiàng)指標(biāo)下的表現(xiàn)（表2）。結(jié)果顯示，在不同預(yù)測(cè)步長(zhǎng)下，F(xiàn)WInformer模型的性能評(píng)估指標(biāo)均優(yōu)于Informer模型。FWInformer 模型通過(guò)引入快速傅里葉變換， 增強(qiáng)了模型的魯棒性，豐富了特征多樣性， 并提升了結(jié)構(gòu)信息的提取和保留能力，從而在多步預(yù)測(cè)過(guò)程中取得了更優(yōu)的效果。具體而言，在預(yù)測(cè)步長(zhǎng)為96 h時(shí)，F(xiàn)WInformer模型的MSE和MAE分別為0.34和0.44，相較于Informer模型的0.45和0.50，分別降低了約24%和12%，充分表明了FWInformer模型的性能優(yōu)于原始的Informer模型。

此外，在對(duì)模型的穩(wěn)定性進(jìn)行的測(cè)試中，通過(guò)在不同數(shù)據(jù)子集上重復(fù)進(jìn)行訓(xùn)練和測(cè)試，發(fā)現(xiàn)FWInformer模型的預(yù)測(cè)結(jié)果展現(xiàn)出較高的一致性和魯棒性。FWInformer模型與Informer模型數(shù)據(jù)子集模型預(yù)測(cè)結(jié)果對(duì)比（截取）見圖4。

3 結(jié)論

本文針對(duì)區(qū)域電力負(fù)荷預(yù)測(cè)，提出了一種基于改進(jìn)Informer的電力負(fù)荷預(yù)測(cè)模型——FWInformer。通過(guò)實(shí)際場(chǎng)景中使用電力數(shù)據(jù)與氣象數(shù)據(jù)進(jìn)行實(shí)驗(yàn)驗(yàn)證，并與Informer模型進(jìn)行對(duì)比，結(jié)果表明，F(xiàn)WInformer模型在不同預(yù)測(cè)步長(zhǎng)下均展現(xiàn)出優(yōu)異性能。其優(yōu)勢(shì)主要是通過(guò)引入快速傅里葉變換，增強(qiáng)了模型對(duì)序列數(shù)據(jù)特征信息的提取的能力，同時(shí)減輕了計(jì)算負(fù)擔(dān)，提升了模型的魯棒性。FWInformer模型能有效捕捉電力負(fù)荷數(shù)據(jù)的周期性和長(zhǎng)期依賴性，從而提高了預(yù)測(cè)的精度和效率。未來(lái)的研究方向可進(jìn)一步探索該模型在不同地區(qū)和不同規(guī)模電力系統(tǒng)中的應(yīng)用，并研究其他類型因素（如突發(fā)事件、經(jīng)濟(jì)指標(biāo)等）對(duì)電力數(shù)據(jù)的影響，以期進(jìn)一步提升預(yù)測(cè)的準(zhǔn)確性和適用性。

4 參考文獻(xiàn)

［1］趙婷婷，韓雅杰，楊夢(mèng)楠，等.基于機(jī)器學(xué)習(xí)的時(shí)序數(shù)據(jù)預(yù)測(cè)方法研究綜述［J］.天津科技大學(xué)學(xué)報(bào)，2021，36（5）：1-9.

［2］ZHOU H.，LI J.，ZHANG S，et al.Expanding the prediction capacity in long sequence time-series forecasting［J］.Artificial Intelligence，2023，Vol.318：103886.

［3］朱莉，韓凱萍，朱春強(qiáng).二次分解策略組合Informer的短期電力負(fù)荷預(yù)測(cè)方法［J］.國(guó)外電子測(cè)量技術(shù)，2023，42（6）：23-32.

［4］魏震波，余雷.基于FFT，DC-HC及LSTM的短期負(fù)荷預(yù)測(cè)方法［J］.智慧電力，2022，50（3）：37-43.

［5］許越，李強(qiáng)，崔暉.基于MIC-EEMD-改進(jìn)Informer的含高比例清潔能源與儲(chǔ)能的電力市場(chǎng)短期電價(jià)多步預(yù)測(cè)［J］.電網(wǎng)技術(shù)，2024，48（3）：949-958.

［6］席禹，孟令雯，班國(guó)邦，等.基于Informer的變電站設(shè)備狀態(tài)數(shù)據(jù)清洗方法［J］.制造業(yè)自動(dòng)化，2023，45（9）：15-21.

【作者簡(jiǎn)介】唐博，男，湖南長(zhǎng)沙人，在讀碩士研究生，研究方向：工業(yè)大數(shù)據(jù)；王志兵，男，湖南邵東人，碩士，副教授，研究方向：大數(shù)據(jù)、軟件工程。

【引用本文】唐博，王志兵.基于改進(jìn)Informer模型的區(qū)域電力負(fù)荷預(yù)測(cè)［J］.企業(yè)科技與發(fā)展，2024（12）：12-16.