通过 Transformer 和 2D-CNN 学习电力负荷序列的全局与局部特征：基于相位空间重构的时间序列多步预测方法
信号处理
2024-07-30 v2 人工智能
摘要
随着现代电力系统的不断演化，准确的电力负荷预测仍是能源管理中的关键问题。相位空间重构（PSR）方法从系统动力学角度能够有效保留电力负荷内部的混沌特性，因此是短期预测的有前景的知识驱动预处理方法。为充分利用 PSR 方法建模电力负荷中非平稳特性的能力，并解决传统 PSR 预测方法难以形成通用多步预测方案的问题，本文提出了一种新颖的多步预测方法，通过精心地将 PSR 与神经网络集成，以建立一个端到端的学习系统。首先，详细讨论了相位轨迹中有用的特征。通过数学推导，首次演示了 PSR 与另一种时间序列预处理方法（patch 分段）的等价表征。基于此知识，引入了基于图像的建模视角。随后，设计了一个新型深度学习模型，即 PSR-GALIEN，其中采用 Transformer 编码器和 2D-CNN 用于提取图像中的全局和局部模式，采用基于 MLP 的预测器进行高效的相关建模。随后，在五个真实世界的基准数据集上进行大量实验，以验证 PSR-GALIEN 的有效性。结果表明，与六个最先进的深度学习模型相比，PSR-GALIEN 在预测性能上 consistently 超越这些基线，在日内和隔日预测场景中均实现了卓越的准确性。同时，通过可视化方法，可以解释其预测结果的归因，这显著提高了可解释性。
引用
@article{arxiv.2407.11553,
title = {Learning Global and Local Features of Power Load Series Through Transformer and 2D-CNN: An Image-based Multi-step Forecasting Approach Incorporating Phase Space Reconstruction},
author = {Zihan Tang and Tianyao Ji and Wenhu Tang},
journal= {arXiv preprint arXiv:2407.11553},
year = {2024}
}