《Electronics》：A Short-Term Electric Load Forecasting Method Integrating Grouped Exogenous Variable Recalibration and Calendar–Causal Dual Correction
编辑推荐：
短期电力负荷预测对电力系统的安全稳定运行与经济调度至关重要，其准确性直接影响电网调度决策和运行效率。为解决历史外生变量异质性建模不足、已知未来日历信息利用不充分以及多步预测中局部偏差难以校正的问题，本文提出了一种基于TimeXer的短期电力负荷预测方法KCD-
短期电力负荷预测对电力系统的安全稳定运行与经济调度至关重要，其准确性直接影响电网调度决策和运行效率。为解决历史外生变量异质性建模不足、已知未来日历信息利用不充分以及多步预测中局部偏差难以校正的问题，本文提出了一种基于TimeXer的短期电力负荷预测方法KCD-GEIRTimeXer。在外生变量嵌入之前，引入分组外生变量重要性重校准（Grouped Exogenous Importance Recalibration, GEIR）模块。首先根据来源和物理意义对历史外生变量进行先验分组，然后在特征、变量组和时间步三个层面计算重要性分数，并通过有界残差门控机制获得相应的外生变量权重。在预测阶段，进一步引入已知日历-因果双重校正（Known Calendar–Causal Dual Correction, KCD）模块。该模块利用已知的未来日历变量和仅由历史负荷观测导出的因果统计特征对初始预测进行细化，从而减轻多步预测中的局部偏差。在公开的巴拿马电力负荷数据集上的实验表明，所提模型优于所有基线模型。在三个随机种子上的平均结果中，与TimeXer相比，KCD-GEIRTimeXer的MSE、RMSE、MAE和MAPE分别降低了26.25%、14.12%、13.10%和12.91%。
短期电力负荷预测是电力系统调度与市场运行的关键环节，其准确性直接影响机组组合、备用容量分配、需求响应和电力交易。负荷虽表现为单变量时间序列，但受日内与周内周期、天气、节假日及用户行为共同塑造。传统统计模型和早期深度学习方法多直接拼接或统一编码外生变量，未充分区分其来源、组内共性及样本依赖贡献，且在多步预测中难以校正局部幅值与相位偏差。针对这些不足，研究人员在《Electronics》发表了一种基于TimeXer的短期电力负荷预测方法KCD-GEIRTimeXer，从输入和输出两侧同时增强预测过程。
研究人员首先设计分组外生变量重要性重校准（GEIR）模块，在嵌入前对历史外生变量进行先验分组，再在特征、变量组和时间步三个层面生成重要性分数，并通过有界残差门控限制调整幅度。随后，以TimeXer为骨干生成基础预测，再引入已知日历-因果双重校正（KCD）模块，利用已知未来日历变量和历史负荷统计特征生成残差修正。实验基于公开巴拿马电力负荷数据集，该数据覆盖2015年1月10日至2020年6月27日共47880小时，按时间顺序划分为70%训练、10%验证、20%测试，历史输入长度为168小时，预测未来24小时。模型与GRU、LSTM、BiLSTM、Transformer、Informer、Autoformer、FEDformer、DLinear、PatchTST及TimeXer等十种基线进行统一对比。
主要结果如下。
4.1 整体性能对比（Overall Performance Comparison）：在统一训练协议下，所提模型在所有评估指标上均取得最优，MSE、RMSE、MAE和MAPE分别为2642.44、51.41、37.59和3.141%。相比TimeXer，四个指标分别降低24.57%、13.14%、12.23%和11.94%；在三个随机种子重复比较中平均降低26.25%、14.12%、13.10%和12.91%，表明改进稳定。逐时曲线对比显示，该模型在早高峰、晚高峰及拐点处更贴近实际负荷。
4.2 消融研究（Ablation Study）：构建GEIRTimeXer、KCD-TimeXer和组合模型三个变体。GEIR单独使MSE降低13.01%，KCD单独使MSE降低23.89%，组合后误差最低。KCD是性能提升的主要来源，GEIR仅增加1.42%参数并带来一致的补充增益。
4.3 不同负荷场景下的预测性能（Forecasting Performance Under Different Load Scenarios）：将测试样本划分为常规、周末/假日和高波动三个子集。所提模型在三个子集上均取得更低的误差，其中周末/假日条件下MSE降低33.54%，高波动条件下MSE降低28.38%，常规条件下MSE降低16.21%，说明其对复杂负荷模式适应性更强。
4.4 连续一周预测分析（Analysis of One-Week-Ahead Continuous Forecasting）：选取无假日的完整一周，将七个连续日预测窗口拼接。TimeXer低估多个工作日峰值，而所提模型能更准确跟踪主要峰值、快速下降及谷后恢复，并较好地刻画周末负荷下降趋势。
4.5 气象扰动鲁棒性分析（Robustness Analysis Under Meteorological Perturbations）：对16个标准化历史气象变量分别添加标准差为0.05、0.10、0.20的高斯噪声，或以0.05、0.10、0.20概率随机置零。所提模型在所有扰动下MAPE均低于TimeXer，最高噪声水平下绝对MAPE偏移降低83.67%，最高缺失概率下降低65.22%，表明对气象测量噪声和缺失更不敏感。
4.6 计算效率分析（Computational Efficiency Analysis）：与TimeXer相比，所提模型可训练参数增加73.24%，训练时间增加44.98%，测试集推理时间增加74.04%，但单样本推理延迟仅0.158ms，约2.20倍。绝对延迟远小于小时采样间隔和24小时预测尺度，计算开销可接受。
4.7 参数敏感性分析（Parameter
