【Цель】 В связи с тем, что существующие модели краткосрочного прогнозирования электроэнергетических нагрузок испытывают сложности при одновременном изучении различий в моделях потребления и долгосрочных зависимостей, что ограничивает точность прогнозов в условиях высокой волатильности, в данной работе предлагается комбинированная модель "кластеризация похожих дней - TCN - Informer". 【Метод】 Сначала с помощью алгоритма нечеткой c-средних данные исторических нагрузок и календарных признаков разделяются на три типа похожих дней: рабочие дни, выходные и праздничные дни, что позволяет ослабить шум, возникающий при переходах между режимами. Затем для каждого кластера локальные признаки извлекаются с помощью временной сверточной нейронной сети (TCN), после чего используются вероятностные разреженные механизмы внимания Informer для улавливания долгосрочных зависимостей и генерации прогнозов на уровне кластера. Далее комбинируются экзогенные переменные, такие как метеоусловия и цены на электроэнергию, и выполняется глобальный поиск гиперпараметров с помощью байесовской оптимизации. 【Результаты】 Эксперименты по 24-часовому прогнозу на данных Австралийского энергетического рынка AEMO-NSW с разрешением 30 минут показали, что среднеквадратичная ошибка и средняя абсолютная ошибка данной модели снизились на 16.59% и 14.66% по сравнению с LSTM, на 12.33% и 11.61% по сравнению с TimesNet, при этом средняя абсолютная процентная ошибка составила всего 3.02%. 【Заключение】 Результаты подтвердили значительные преимущества предлагаемого метода в точности и устойчивости, что может обеспечить надежную поддержку принятия решений для управления сетью и спотовой торговли.

краткосрочное прогнозирование электросетевой нагрузки;кластеризация похожих дней;временная сверточная нейронная сеть;Informer;долгосрочные зависимости