MCV-PatchTST: multi-scale cross-variate patch transformers for household short-term load forecasting

Abdul Moiz Qarni

doi:10.1038/s41598-026-67495-w

MCV-PatchTST: multi-scale cross-variate patch transformers for household short-term load forecasting

2026-08-23

0

OA

AI

DOI：10.1038/s41598-026-67495-w

原文链接

查看原文

摘要

En 中文

家庭短期负荷预测对于需求响应和实时能源管理至关重要，但由于消费波动性、并发周期性以及电变量间的相关性，其仍具挑战性。PatchTST是一种基于分块的强大Transformer基准模型，但其固定分块大小、严格的通道独立处理和分块级位置编码限制了其在住宅预测中的适用性。本文提出MCV-PatchTST，作为PatchTST的针对性扩展，该模型（i）执行多尺度分块分解以捕获多粒度时间动态，（ii）在分块级引入轻量级跨变量注意力模块以选择性利用变量间依赖关系，以及（iii）通过可学习的全局位置编码（与分块序列对齐）恢复绝对时间感知。在UCI个体家庭电力消耗数据集上进行的实验（涵盖小时、日和周分辨率）表明，MCV-PatchTST持续优于PatchTST，实现MAE降低10–17%和RMSE降低8–15%，同时仅增加适度的计算开销。消融研究证实各组件对最终性能均有贡献，其组合产生互补增益，确立MCV-PatchTST为家庭负荷预测的有效且高效模型。

MCV-PatchTST: multi-scale cross-variate patch transformers for household short-term load forecasting

摘要

AI总结

期刊

机构

引用论文