基于小波变换卷积与概率稀疏Transformer的多尺度特征提取短期电力负荷预测模型WTC-iPST

为解决短期电力负荷数据多尺度特征提取和周期性波动建模难题，研究人员提出融合小波变换卷积(WTConv)与概率稀疏自注意力机制(Wav-KAN ProbSparse)的WTC-iPST模型。实验表明该模型在RMSE等指标上较基准提升16%以上，置信区间覆盖率优异，为电力系统调度提供高精度预测工具。

　　

随着可再生能源大规模并网和电力需求激增，短期负荷预测(STLF)的精度直接关系到电网稳定与经济运行。然而，传统统计方法难以捕捉负荷数据的非线性特征，而现有深度学习模型如Transformer在应对多尺度波动、周期性模式时仍存在注意力分散、噪声敏感等缺陷。尤其当面对天气突变、节假日等外部因素干扰时，预测结果往往出现显著偏差。

针对这一挑战，安徽省高校优秀青年人才支持计划资助的研究团队提出创新性解决方案——WTC-iPST模型。该工作通过三大核心技术突破：首先采用一维小波变换卷积(WTConv)层实现多分辨率特征分解，有效分离负荷数据的长期趋势与短期波动；其次将小波柯尔莫哥洛夫-阿诺德网络(Wav-KAN)嵌入概率稀疏自注意力机制(ProbSparse)，增强模型对局部细节与全局趋势的协同感知；最后引入分位数回归量化预测不确定性，生成具有统计学意义的置信区间。实验采用摩洛哥得土安地区10分钟级真实负荷数据集验证，结果显示WTC-iPST在RMSE、MAPE等关键指标上较iTransformer基准模型提升16.84%-18.09%，R2系数提高2.96%，且在不同预测时域和变电站场景下均保持稳定表现。

关键技术方法
研究使用UCI公开的得土安电网数据集（含52,416个10分钟间隔样本），通过WTConv实现时频联合分析，采用Wav-KAN改进的ProbSparse机制降低计算复杂度，结合倒置Transformer架构处理单变量长序列令牌化问题，最终通过分位数回归输出80%-95%置信区间预测。

研究结果
Fundamental iTransformer mode
揭示传统Transformer将多元时间序列压缩为单令牌导致的时序错位问题，通过倒置前馈网络重构变量间依赖关系建模方式。

Proposed WTC-iPST model
如图3所示架构，WTConv层成功提取负荷数据的日/周周期特征，Wav-KAN使注意力头计算量降低至O(L log L)，较标准Transformer提升3.2倍训练效率。

Data description and preparation
数据集验证显示，温度、湿度等外部特征通过WTConv滤波后，模型对突变压力的响应误差降低23.7%。

Conclusions
该模型为含高比例可再生能源的电网提供两项关键能力：1）提前24小时预测的MAPE稳定在2.1%以下；2）95%置信区间实际覆盖率达93.4%，显著优于传统概率预测方法。

这项发表于《Knowledge-Based Systems》的研究，首次实现小波分析与注意力机制的深度耦合，其创新点在于：1）WTConv解决负荷数据特征漂移问题；2）Wav-KAN赋予模型自适应调整频域感知能力。正如Alan Wee-Chung Liew在讨论部分指出，该方法为智能电网数字孪生系统提供了可靠的时间序列建模工具，未来可扩展至风电功率预测等领域。