多任务图注意力网络

预测异常双精准

自适应熵分析将时序分解为可预测低熵分量与波动高熵分量，通过图注意力自编码器联合建模环境依赖，同时提升预测与异常识别精度。

Na, Bai · Zhang, Jian · 79097287

Computers 2025

技术优势

低熵平稳、高熵波动分开处理

熵自适应聚类将低熵分量与高熵分量解耦，平稳部分用多尺度注意力预测，波动部分用图结构刻画关联，各取所长。

环境因素被显式图建模

环境量构造成时间环境图，与数值相关性波动图一起经图注意力自编码器融合，不再把天气当黑箱。

一体完成预测与异常检测

合成所有分量的输出同时给出负荷预测值和异常识别结果，省去两套模型和一个融合步骤。

应用场景

• 智能电网负荷预测：输出电网节点实时负荷预测并给出异常警报，直接嵌入能量管理平台。
• 电力异常检测：把异常识别与预测联合在一个模型内，减少误报漏报并定位波动来源。
• 能源系统智能监控：对复杂能源系统提供连续监控能力，环境变动对用电的影响被显式纳入模型。