从ARIMA到注意力机制：基于时序深度学习的电力负荷预测
机器学习
2026-03-10 v1 人工智能
摘要
准确的短期电力负荷预测对于有效管理、优化和确保现代电力系统的可靠性至关重要。本文对传统统计模型与深度学习方法进行经验性评估，用于预测短期能源负荷。我们采用ARIMA、LSTM、BiLSTM和Transformer四种模型，对PJM小时能源消耗数据进行建模。数据处理包括插值、归一化以及滑动窗口序列方法。对每个模型的24小时预测 horizon 使用MAE、RMSE和MAPE进行评估。在所测试的模型中，基于自注意力算法的Transformer模型表现最佳，MAPE为3.8%，在准确性和鲁棒性方面均优于其他模型。这些发现凸显了注意力机制架构在准确捕获电力消费数据中复杂时序模式方面的潜力。
引用
@article{arxiv.2603.06622,
title = {From ARIMA to Attention: Power Load Forecasting Using Temporal Deep Learning},
author = {Suhasnadh Reddy Veluru and Sai Teja Erukude and Viswa Chaitanya Marella},
journal= {arXiv preprint arXiv:2603.06622},
year = {2026}
}
备注
5 pages; Published in IEEE