【Objetivo】 Considerando a dificuldade dos modelos atuais de previsão de carga elétrica de curto prazo em aprender simultaneamente as diferenças nos padrões de consumo e dependências de longo prazo, limitando a precisão em cenários de alta volatilidade, este artigo propõe um modelo combinado "clusterização de dias semelhantes - TCN - Informer". 【Método】 Primeiramente, utiliza-se o algoritmo fuzzy c-means para dividir as amostras em três tipos de dias semelhantes: dias úteis, fins de semana e feriados, com base nas cargas históricas e características do calendário, para atenuar o ruído entre modos. Em seguida, para cada cluster, extraem-se características locais por meio de uma rede neural convolucional temporal (TCN), sendo introduzido o mecanismo de atenção probabilística esparsa Informer para capturar dependências de longo prazo e gerar previsões em nível de cluster. Posteriormente, integraram-se variáveis exógenas como clima e preço da eletricidade, utilizando otimização bayesiana para busca global de hiperparâmetros. 【Resultados】 Experimentos de previsão de 24 horas baseados em dados do mercado australiano de energia AEMO-NSW com resolução de 30 minutos mostraram que o erro quadrático médio e o erro absoluto médio do modelo foram reduzidos em 16,59% e 14,66%, respectivamente, em comparação com LSTM, e em 12,33% e 11,61%, respectivamente, em comparação com TimesNet, com erro percentual absoluto médio de apenas 3,02%. 【Conclusão】 Os resultados validam as vantagens significativas do método proposto em precisão e robustez, podendo fornecer suporte confiável à tomada de decisão para escalação da rede e comércio à vista.

previsão de carga elétrica de curto prazo;clusterização de dias semelhantes;rede neural convolucional temporal;Informer;dependências de longo prazo