【Objetivo】 Debido a que los modelos actuales de predicción de carga eléctrica a corto plazo tienen dificultades para aprender simultáneamente las diferencias en los patrones de consumo y las dependencias a largo plazo, lo que limita la precisión en escenarios de alta volatilidad, este artículo propone un modelo combinado "agrupación de días similares - TCN - Informer". 【Método】 Primero, se utiliza el algoritmo fuzzy c-means para clasificar las muestras en tres tipos de días similares: días laborables, fines de semana y días festivos, según las características de carga histórica y del calendario, para reducir el ruido inter-modo. Luego, para cada clúster, se extraen características locales mediante una red neuronal convolucional temporal (TCN), y se introduce la atención probabilística dispersa Informer para capturar dependencias a largo plazo y generar predicciones a nivel de clúster. Posteriormente, se integran variables exógenas como el clima y los precios de la electricidad, y se emplea la optimización bayesiana para la búsqueda global de hiperparámetros. 【Resultados】 Los experimentos de predicción a 24 horas basados en datos del mercado energético australiano AEMO-NSW con resolución de 30 minutos muestran que el error cuadrático medio y el error absoluto medio del modelo se reducen en un 16,59% y 14,66% respectivamente respecto a LSTM, y en un 12,33% y 11,61% comparado con TimesNet, con un error absoluto porcentual medio de solo el 3,02%. 【Conclusión】 Los resultados validan la ventaja significativa del método propuesto en precisión y robustez, pudiendo proporcionar soporte confiable para la toma de decisiones en la programación de redes y el comercio spot.

predicción de carga eléctrica a corto plazo;agrupación de días similares;red neuronal convolucional temporal;Informer;dependencias a largo plazo