融合用户行为画像与改进Informer的居民需求侧负荷预测方法

《Energies》：An Improved Informer-Based Load Forecasting Method Incorporating Electricity Consumption Profiling

　　

摘要

准确的负荷需求侧预测对于电力系统可靠运行、能源管理及需求侧决策至关重要。然而，居民用户的用电行为异质性以及多尺度时间变化仍是传统预测模型面临的主要挑战。针对上述问题，本研究提出了一种融合用户行为画像的负荷预测方法，并结合改进的Informer模型。首先，采用符号聚合近似（SAX）和层次聚类从居民用电数据中提取代表性负荷模式。随后利用LightGBM识别与不同负荷模式相关的问卷属性特征，将聚类结果与筛选后的用户属性共同构建多维度的用电行为画像，为后续负荷预测提供额外的行为信息。在此基础上，通过三种策略改进Informer架构：基于时间卷积网络（TCN）的嵌入方法用于多尺度周期特征提取，概率块采样注意力机制用于局部时间依赖建模，以及基于多层感知机（MLP）的交叉自注意力解码器用于非线性特征交互与融合。基于3207名居民用户数据的实验表明，所提模型的MAE为0.0237，RMSE为0.0258，R²为0.945。相较于原始Informer，MAE和RMSE分别降低了17.4%和19.8%，R²提升了6.65%。该模型还优于Transformer和LSTM基线模型，消融实验结果验证了三项架构改进的互补贡献。上述结果表明，将用电行为画像与多尺度时间建模相结合，能够有效提升居民需求侧负荷预测性能。