GRAFT：基于多源文本对齐与融合的电网感知负荷预测
机器学习
2026-04-07 v2
摘要
电力负荷在多个时间尺度上同时受到天气与日历节律、突发事件以及政策等外生因素的影响。因此，本文提出了 GRAFT（GRid-Aware Forecasting with Text），对 STanHOP 进行修改与改进，以更好地支持电网感知预测与多源文本干预。具体而言，GRAFT 将每日聚合的新闻、社交媒体及政策文本与半小时负荷严格对齐，并在训练与滚动预测期间通过交叉注意力实现文本引导的融合至特定时间位置。此外，GRAFT 提供了即插即用的外部记忆接口，以适应真实部署中的不同信息源。我们构建并发布了一个涵盖 2019--2021 年澳大利亚五个州的统一对齐基准（半小时负荷、按日对齐的天气/日历变量以及三类外部文本），并在统一协议下于三个尺度——小时、日和月——进行了系统且可复现的评估，以实现跨区域、跨外部来源和跨时间尺度的比较。实验结果表明，GRAFT 显著优于强基线，并在多个区域和预测时间跨度上达到或超越了现有技术水平。此外，该模型在事件驱动场景下具有鲁棒性，并能够通过注意力读出实现对文本至负荷效应的时间定位与源级解释。我们发布了该基准、预处理脚本及预测结果，以促进电网负荷预测中标准化经验评估与可复现性。
引用
@article{arxiv.2512.14400,
title = {GRAFT: Grid-Aware Load Forecasting with Multi-Source Textual Alignment and Fusion},
author = {Fangzhou Lin and Guoshun He and Zhenyu Guo and Zhe Huang and Jinsong Tao},
journal= {arXiv preprint arXiv:2512.14400},
year = {2026}
}