基于改进Transformer架构的电力负荷预测方法

基于改进Transformer架构的电力负荷预测方法，创新性地设计了多粒度周期特征编码和两级自注意力机制TSSA，有效解决了标准Transformer模型存在的问题。此外，本方法采用KV Cache流式推理技术，彻底消除了计算冗余。同时，创新地统计池化特征聚合SP机制显著增强了模型对输入数据局部随机波动的鲁棒性。本方法创造性地在窗口级特征序列上应用多层膨胀卷积，在不增加TSSA窗口尺寸的情况下，有效捕获了长期周期性模式，避免了直接增大窗口导致的计算量爆炸问题。本方法在保持Transformer模型原有优势的同时，针对电力负荷预测的特殊需求进行了系统性优化，在预测精度和计算效率方面均实现了显著提升，具有重要的理论价值和实践意义。