本研究提出了一种新的零-shot负荷预测方法，利用Chronos模型在数据稀缺情况下实现准确预测。模拟结果表明，该模型在五个真实数据集上的表现优于九个基线模型，尤其在预估精度方面显著提升。

本文探讨了联邦学习在智能电网中的应用，强调数据安全和隐私保护。研究提出了多种基于联邦学习的框架和算法，以提高能源利用效率和负荷预测准确性，并应对数据异构性和攻击风险。案例研究验证了这些方法的有效性，并展望了可再生能源领域的未来研究方向。

本文研究了基于Transformer的神经网络模型在负荷预测中的效果，并通过多种元启发式算法比较了各模型的性能。结果显示，元启发式增强的Transformer-based神经网络模型在负荷预测准确性方面表现出潜力，并提供了最佳超参数。