【Ziel】 Da bestehende Modelle zur kurzfristigen Lastprognose Schwierigkeiten haben, gleichzeitig Verbrauchsmusterunterschiede und Langzeitabhängigkeiten zu lernen, was die Prognosegenauigkeit in hochvolatilen Szenarien einschränkt, wird in dieser Arbeit ein kombiniertes Modell "Ähnliche-Tage-Clustering-TCN-Informer" vorgeschlagen. 【Methode】 Zunächst werden mithilfe des Fuzzy-C-Means-Algorithmus anhand historischer Last- und Kalendermerkmale Proben in drei Arten ähnlicher Tage unterteilt: Werktage, Wochenenden und Feiertage, um den Modus-übergreifenden Rauschanteil zu reduzieren. Anschließend extrahiert das zeitliche Faltungsneuronale Netzwerk (TCN) lokale Merkmale für jeden Cluster, danach nutzt der probabilistische spärliche Attention-Mechanismus Informer Langzeitabhängigkeiten zur Cluster-Ebene Vorhersage. Exogene Variablen wie Wetter und Strompreise werden integriert und mittels Bayesscher Optimierung ein globaler Hyperparametersuchprozess durchgeführt. 【Ergebnisse】 24-Stunden-Prognoseexperimente mit 30-Minuten-Auflösung basierend auf Daten des australischen Energiemarktes AEMO-NSW zeigen, dass die mittlere quadratische Wurzel des Fehlers und der mittlere absolute Fehler des Modells im Vergleich zu LSTM um 16,59 % beziehungsweise 14,66 % und im Vergleich zu TimesNet um 12,33 % beziehungsweise 11,61 % reduziert werden, bei einem mittleren absoluten prozentualen Fehler von nur 3,02 %. 【Fazit】 Die Ergebnisse bestätigen die signifikanten Vorteile der vorgeschlagenen Methode hinsichtlich Genauigkeit und Robustheit und können zuverlässige Entscheidungsunterstützung für Netzplanung und Spotmarkt-Handel bieten.

kurzfristige Lastprognose;Ähnliche-Tage-Clustering;zeitliches Faltungsneuronales Netzwerk;Informer;Langzeitabhängigkeiten