时间融合变压器与深度学习方法在多步短期负荷预测中的比较及偏差校正研究

《IEEE Open Journal of Industry Applications》：Evaluating Temporal Fusion Transformers for Short-Term Load Forecasting With Peak-Aware Adaptive Bias Correction

　　

摘要：

短期负荷预测（STLF）对于维护住宅、商业、工业、交通和公共部门稳定、可负担且可持续的电力供应至关重要。深度学习与集成方法，如长短期记忆网络（LSTM）和极端梯度提升（XGBoost），已成为领先的短期负荷预测算法。近期，时间融合变压器（TFT）通过结合用于基于注意力预测的变压器架构与用于局部模式处理的循环神经网络，显示出潜力，专门应对多步时间序列预测的挑战。本研究评估了TFT相较于LSTM和XGBoost在多步短期负荷预测中是否具备优势，并评估了偏差校正策略对预测准确度的影响。使用巴拿马电力需求数据集进行24小时预测，结果表明，虽然TFT与LSTM表现相当（MAPE：3.44% 对 3.86%），但XGBoost显著优于两者（MAPE：1.38%），且所需训练时间明显更短。此外，我们提出的峰值感知自适应偏差校正技术将TFT的测试集MAPE从8.34%降至3.44%，将LSTM从11.86%降至3.86%，将XGBoost从2.06%降至1.38%。相对增益在较弱的深度学习基线中最大，在已经校准良好的XGBoost中最小，后者整体保持最准确的模型。