【الهدف】 نظرًا لصعوبة نماذج التنبؤ بالتحميل الكهربائي قصير المدى الحالية في تعلم فروق نمط الاستهلاك والاعتماد طويل المدى في آنٍ واحد، مما يقيّد دقة التنبؤ في سيناريوهات ذات تقلبات عالية، يقترح هذا البحث نموذجًا مركبًا "تصنيف الأيام المتشابهة-TCN-Informer". 【الطريقة】 أولاً، يتم استخدام خوارزمية مركزية القيمة الضبابية لتقسيم العينات إلى ثلاثة أنواع من الأيام المتشابهة: أيام العمل، وعطلات نهاية الأسبوع، والعطلات الرسمية، بناءً على الأحمال التاريخية وميزات التقويم، وذلك لتقليل الضوضاء عبر الأنماط. ثانياً، يتم استخراج الميزات المحلية لكل مجموعة بيانات بواسطة شبكة الأعصاب الالتفافية الزمنية (TCN)، ثم تُستخدم آلية الانتباه النادرة الاحتمالية (Informer) لالتقاط الاعتماد طويل المدى وتوليد التنبؤات على مستوى المجموعة. بعد ذلك، تُدمج المتغيرات الخارجية كالأحوال الجوية وأسعار الكهرباء، ويتم استخدام التحسين البايزي للبحث عن أفضل معاملات النموذج على مستوى العالم. 【النتائج】 أظهرت التجارب القائمة على بيانات السوق الأسترالية للطاقة AEMO-NSW بدقة 30 دقيقة للتنبؤ لمدة 24 ساعة أن الخطأ الجذري المتوسط والانحراف المطلق المتوسط للنموذج أقل بنسبة 16.59% و14.66% مقارنة بـ LSTM، وأقل بنسبة 12.33% و11.61% مقارنة بـ TimesNet، مع نسبة الخطأ المطلق المتوسط فقط 3.02%. 【الاستنتاج】 تؤكد النتائج الميزة الواضحة للطريقة المقترحة من حيث الدقة والصلابة، مما يوفر دعم قرارات موثوقًا به لجدولة الشبكة والتداول الفوري.

التنبؤ بالتحميل الكهربائي قصير المدى;تصنيف الأيام المتشابهة;شبكة الأعصاب الالتفافية الزمنية;Informer;الاعتماد طويل المدى