基于TCA-CNN-LSTM的短期负荷预测研究

• Published in: 电测与仪表 Vol. 60; no. 8; pp. 73 - 80
• Main Authors: 林涵, 郝正航, 郭家鹏, 吴育栋
• Format: Journal Article
• Language: Chinese
• Published: 贵州大学电气工程学院,贵阳550025 15.08.2023
• Subjects: 长短期记忆网络; 注意力机制; short-term power load; long short-term memory network; 卷积神经网络; attention mechanism; convolutional neural network; 短期电力负荷
• ISSN: 1001-1390
• DOI: 10.19753/j.issn1001-1390.2023.08.013

TM715; 为有效地挖掘历史数据信息,提高短期负荷预测准确性,文章针对电力负荷时序性和非线性的特点,在原有一维卷积神经网络(Convolutional Neural Network,CNN)-长短期记忆网络(Long Short Term Memory,LSTM)模型的基础上,分别在CNN和LSTM侧嵌入通道注意力机制(Channel Attention,CA)和时序注意力机制(Temporal Atten-tion,TA),构建CA-CNN和TA-LSTM模块,结合CA-CNN和TA-LSTM模块构建TCA-CNN-LSTM的层级注意力机制短期负荷预测模型.同时,为提高训练数据的质量并加快模型训练速度,运用K-means和决策树模型选取相似日数据,构建基于相似日数据的向量特征时序图,最后将时序图输入TCA-CNN-LSTM负荷预测模型完成预测.以澳大利亚某地真实数据集和2016电工杯数学建模竞赛电力负荷数据为算例,分别应用TCA-CNN-LSTM模型与支持向量机、多层感知机(Multilayer Perceptron,MLP)、LSTM、CNN-LSTM 和 CNN-Attention-LSTM 模型的预测结果进行对比,实验结果表明,所提方法具有更高的预测精度.