基于 GAT-LSTM 的增强负荷预测：利用电网与时序特征
机器学习
2025-02-13 v1 信号处理
摘要
准确的电力负荷预测对于电网的高效运行和规划至关重要，尤其是在可再生能源引入所带来的变异性和复杂性增加的情况下。本文提出了 GAT-LSTM，一种结合图注意力网络和长短期记忆网络的混合模型。该模型的关键创新在于将线路容量和效率等边属性融入注意力机制，使其能够动态捕捉基于电网特定物理和运行约束的空间关系。此外，通过采用空间图嵌入与时序序列特征的早期融合，该模型有效学习和预测空间依赖性与时序模式之间的复杂交互，提供了电力电网动态的真实表示。在巴西电力系统数据集上的实验评估表明，GAT-LSTM 模型显著优于最先进模型，MAE 降低 21.8%，RMSE 降低 15.9%，MAPE 降低 20.2%。这些结果强调了 GAT-LSTM 模型的鲁棒性和适应性，确立其为电网管理和能源规划应用中的强大工具。
引用
@article{arxiv.2502.08376,
title = {Enhanced Load Forecasting with GAT-LSTM: Leveraging Grid and Temporal Features},
author = {Ugochukwu Orji and Çiçek Güven and Dan Stowell},
journal= {arXiv preprint arXiv:2502.08376},
year = {2025}
}