PAFE-TQNet：一种采用时间差分一致性损失的周期感知时间查询网络，用于建筑电力负荷预测

《Scientific Reports》：PAFE-TQNet: a period-aware temporal query network with temporal difference consistency loss for building electricity load forecasting

　　摘要准确的建筑物电力负荷预测对于节能建筑运行、需求侧管理和智能能源调度至关重要。尽管现有的时间序列预测模型能够从历史观测中捕捉时间依赖关系，但它们通常依赖骨干网络来隐式学习周期性模式，而对日负荷变化、小时画像偏差和预测曲线的趋势一致性关注有限。为了解决这些问题，本文提出了一种具有时间差分一致性损失的周期性感知特征增强时序查询网络，命名为PAFE-TQNet与TDCL。基于原始TQNet框架，所提方法引入了周期性感知特征增强模块PAFE-v3，通过日差分特征和小时画像残差特征显式丰富输入表示。具体而言，日差分分支描述当前时间步与前一日相同时刻之间的负荷变化，而小时画像残差分支则捕捉与典型日内负荷曲线的偏差。此外，设计了时间差分一致性损失，用于约束相邻预测值与相应真实值之间的差分数列，使模型能够同时提高逐点精度和趋势一致性。在BDG2建筑电力负荷数据集上，针对不同预测时域进行了实验。结果表明，与原TQNet基线相比，所提方法将平均MSE从0.523170降低至0.520756，平均MAE从0.429420降低至0.426246。这些结果表明，所提方法能够为短期和中期建筑电力负荷预测提供稳定改进，并在智能建筑能源管理方面具有实际应用价值。