【Objectif】 Face à la difficulté des modèles actuels de prévision à court terme de la charge électrique à apprendre simultanément les différences des modes de consommation et les dépendances à long terme, ce qui limite la précision dans des scénarios à forte volatilité, cet article propose un modèle combiné "Regroupement des jours similaires - TCN - Informer". 【Méthode】 Premièrement, l'algorithme fuzzy c-means est utilisé pour diviser les échantillons en trois types de jours similaires : jours ouvrables, week-ends et jours fériés, selon les charges historiques et les caractéristiques calendaires, afin de réduire le bruit inter-mode. Deuxièmement, pour chaque cluster, les caractéristiques locales sont extraites par un réseau de neurones convolutionnel temporel (TCN), puis un mécanisme d'attention probabiliste et parcimonieux (Informer) est introduit pour capturer les dépendances à long terme et générer des prévisions au niveau du cluster. Ensuite, les variables exogènes telles que la météo et les prix de l'électricité sont intégrées, et une optimisation bayésienne est utilisée pour la recherche globale des hyperparamètres. 【Résultats】 Les expériences de prévision sur 24 heures basées sur les données du marché énergétique australien AEMO-NSW avec une résolution de 30 minutes montrent que la racine de l'erreur quadratique moyenne et l'erreur absolue moyenne du modèle sont respectivement réduites de 16,59 % et 14,66 % par rapport à LSTM, de 12,33 % et 11,61 % par rapport à TimesNet, avec une erreur absolue moyenne en pourcentage de seulement 3,02 %. 【Conclusion】 Les résultats valident l'avantage significatif de la méthode proposée en termes de précision et de robustesse, pouvant fournir un soutien décisionnel fiable pour la gestion du réseau et le trading au comptant.

prévision à court terme de la charge électrique;regroupement des jours similaires;réseau neuronal convolutionnel temporel;Informer;dépendances à long terme