CLM-Former para mejorar la previsión de series temporales de múltiples horizontes y la predicción de carga en microrredes inteligentes utilizando un modelo robusto basado en transformadores

Resumen La previsión precisa de carga a múltiples horizontes es esencial para la estabilidad y eficiencia de las operaciones de las redes inteligentes, particularmente en entornos residenciales donde los patrones de consumo eléctrico están influenciados tanto por tendencias a largo plazo como por fluctuaciones a corto plazo. Si bien los modelos basados en transformadores —como Autoformer— han mejorado la exactitud de la previsión aprovechando la atención en el dominio de frecuencia para capturar comportamientos periódicos, a menudo luchan con patrones localizados de rápida variación que son comunes en datos del mundo real. Para abordar este desafío, proponemos CLM-Former, una nueva arquitectura híbrida de aprendizaje profundo que integra la descomposición de series temporales, un mecanismo de atención basado en la autocorrelación y una subred adaptada, CLM-subNet, que combina capas convolucionales y recurrentes. Este diseño permite al modelo capturar de manera efectiva tanto dependencias estacionales como variaciones de alta resolución en el uso de electricidad, mejorando así su rendimiento en múltiples horizontes de previsión. Evaluaciones exhaustivas en datos reales de medidores inteligentes demuestran la robustez y adaptabilidad de CLM-Former frente a una gama de modelos de referencia basados en transformadores y aprendizaje profundo. Su capacidad superior para modelar tanto estructuras periódicas a largo plazo como dinámicas a corto plazo establece a CLM-Former como una solución prometedora para la previsión de energía residencial, con posibles implicaciones para la respuesta a la demanda, la programación distribuida y las estrategias futuras de gestión de redes inteligentes.