基于CNN-SAEDN-Res的短期电力负荷预测方法

TM73; 基于深度学习的序列模型难以处理混有非时序因素的负荷数据,这导致预测精度不足.提出一种基于卷积神经网络(CNN)、自注意力编码解码网络(SAEDN)和残差优化(Res)的短期电力负荷预测方法.特征提取模块由二维卷积神经网络组成,用于挖掘数据间的局部相关性,获取高维特征.初始负荷预测模块由自注意力编码解码网络和前馈神经网络构成,利用自注意力机制对高维特征进行自注意力编码,获取数据间的全局相关性,从而模型能根据数据间的耦合关系保留混有非时序因素数据中的重要信息,通过解码模块进行自注意力解码,并利用前馈神经网络回归初始负荷.引入残差机制构建负荷优化模块,生成负荷残差,优化初始负荷.算例结果...

Full description

Saved in:
Bibliographic Details
Published in电力自动化设备 Vol. 44; no. 4; pp. 164 - 170
Main Authors 崔杨, 朱晗, 王议坚, 张璐, 李扬
Format Journal Article
LanguageChinese
Published 东北电力大学 现代电力系统仿真控制与绿色电能新技术教育部重点实验室,吉林 吉林 132012%中国农业大学 信息与电气工程学院,北京 100083 01.04.2024
Subjects
self-attention mechanism
自注意力机制
卷积神经网络
短期电力负荷预测
convolutional neural network
负荷优化
residual mechanism
short-term power load forecasting
残差机制
load optimization
Online AccessGet full text
ISSN1006-6047
DOI10.16081/j.epae.202308018

Cover

More Information
Summary:TM73; 基于深度学习的序列模型难以处理混有非时序因素的负荷数据,这导致预测精度不足.提出一种基于卷积神经网络(CNN)、自注意力编码解码网络(SAEDN)和残差优化(Res)的短期电力负荷预测方法.特征提取模块由二维卷积神经网络组成,用于挖掘数据间的局部相关性,获取高维特征.初始负荷预测模块由自注意力编码解码网络和前馈神经网络构成,利用自注意力机制对高维特征进行自注意力编码,获取数据间的全局相关性,从而模型能根据数据间的耦合关系保留混有非时序因素数据中的重要信息,通过解码模块进行自注意力解码,并利用前馈神经网络回归初始负荷.引入残差机制构建负荷优化模块,生成负荷残差,优化初始负荷.算例结果表明,所提方法在预测精度和预测稳定性方面具有优势.
ISSN:1006-6047
DOI:10.16081/j.epae.202308018