时间序列预测在电力系统运行、能源调度和设备维护中具有重要应用价值，但其面临多尺度信息利用不充分、动态分布偏移与异常噪声干扰等挑战。本文提出一种基于 AMSC（自适应多适度 Crossformer）架构的深度学习模型，通过多尺度特征融合框架提取不同时间粒度特征，借助跨尺度规范化层缓解分布偏移，并采用自适应损失函数抑制异常值影响。与三个基准模型进行预测对比实验，结果显示，AMSC在不同数据集上均能有效完成预测任务，且预测误差更小。