参数更少，训练更快
同时捕捉负荷数据的时域和频域依赖，在更少参数和更快训练下实现更高的预测精度。
Xinyu, Liu · 邵必林 · Benqiang, Liu · Ning, Tian · Xue, Zhao · Chunhui, Liu · 80612934
Electric Power Systems Research 2027
相比Transformer类预测模型，本方法不需要堆叠大量注意力层，通过频域注意力与LSTM的结合降低了模型复杂度。
由于模型结构轻量，训练速度明显快于Transformer类模型，有利于快速迭代和部署。
频域注意力提取主导频率分量并映射为时序权重，使模型能动态强化关键时间步，从而在负荷预测上取得显著精度提升。