基于RIME优化VMD与TCN-Crossformer多尺度融合的短期电力负荷预测

摘要

针对电力负荷序列的多尺度非平稳性与跨维度动态关联特征导致的协同建模难题，提出了一种基于霜冰优化算法（Rime optimization algorithm, RIME）改进的变分模态分解（Variational mode decomposition, VMD）与时间卷积网络（Temporal convolutional network, TCN）-Crossformer多尺度融合的预测模型。首先，利用RIME算法以样本熵均值为适应度函数，自适应优化VMD的惩罚系数与模态数，抑制模态混叠并提升分解质量；其次，通过TCN的因果卷积与膨胀卷积结构提取各模态分量的局部时序波动特征，捕捉短期波动规律；最后，采用结合Crossformer的跨维度注意力机制，显式建模时间与特征维度的动态关联性，实现局部时序特征与全局依赖关系的多尺度协同融合。在南方某城市半小时级电力负荷数据集上的实验验证结果表明，相较于Informer等模型，所提模型的决定系数提升2.49%，平均绝对误差降低73.07%，且在四季预测中均表现出强鲁棒性。

关键词

变分模态分解 / 跨维度注意力 / RIME优化算法 / 时间卷积网络 / Crossformer