स्मार्ट माइक्रोग्रिड्स में बहु-क्षितिज टाइम सीरीज़ पूर्वानुमान और लोड भविष्यवाणी को बढ़ाने के लिए CLM-Former एक मजबूत ट्रांसफार्मर-आधारित मॉडल का उपयोग करता है

सारांश सटीक बहु-क्षितिज लोड भविष्यवाणी स्मार्ट ग्रिड संचालन की स्थिरता और दक्षता के लिए आवश्यक है, विशेषकर आवासी परिवेश में जहां बिजली खपत के पैटर्न दीर्घकालिक रुझानों और तात्कालिक उतार-चढ़ाव दोनों से आकारित होते हैं। ट्रांसफार्मर-आधारित मॉडल - जैसे ऑटोफार्मर - आवधिक व्यवहार को पकड़ने के लिए आवृत्ति-क्षेत्र ध्यान का उपयोग करके भविष्यवाणी सटीकता में सुधार करते हैं, लेकिन वे अक्सर तेजी से बदलते, स्थानीयकृत पैटर्न के साथ संघर्ष करते हैं जो वास्तविक डेटा में प्रचलित हैं। इस चुनौती का समाधान करने के लिए, हम CLM-Former का प्रस्ताव करते हैं, जो एक नया हाइब्रिड गहरे शिक्षण आर्किटेक्चर है जो समय श्रृंखला अपघटन, एक स्व-सहसंबंध-आधारित ध्यान तंत्र, और एक टेलर्ड सबनेटवर्क, CLM-subNet, को जोड़ता है, जो संकुचन और पुनरावृत्त परतों को मिलाता है। यह डिज़ाइन मॉडल को सीज़नल निर्भरताओं और बिजली उपयोग में उच्च-रेज़ोल्यूशन परिवर्तन को प्रभावी ढंग से पकड़ने में सक्षम बनाता है, जिससे यह कई पूर्वानुमान क्षितिजों में प्रदर्शन में सुधार करता है। वास्तविक दुनिया के स्मार्ट मीटर डेटा पर व्यापक मूल्यांकन CLM-Former की robustness और अनुकूलता को विभिन्न ट्रांसफार्मर-आधारित और गहरे शिक्षण बेंचमार्क के खिलाफ प्रदर्शित करता है। दीर्घकालिक आवृत्तिक संरचनाओं और तात्कालिक गतिशीलताओं दोनों को मॉडल करने की इसकी बेहतर क्षमता CLM-Former को आवासी ऊर्जा पूर्वानुमान के लिए एक आशाजनक समाधान के रूप में स्थापित करती है, जिसमें मांग प्रतिक्रिया, वितरित कार्यक्रम और भविष्य की स्मार्ट ग्रिड प्रबंधन रणनीतियों के लिए संभावित परिणाम हो सकते हैं।