基于CNN-SAEDN-Res的短期电力负荷预测方法
信号处理
2024-09-13 v2 机器学习
系统与控制
系统与控制
摘要
在深度学习中，含有非时间因素的负荷数据难以通过序列模型处理。该问题导致预测精度不足。因此，提出了一种基于卷积神经网络（CNN）、自注意力编码器-解码器网络（SAEDN）和残差精炼（Res）的短期负荷预测方法。在该方法中，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并获取高维数据特征。初始负荷预测模块由自注意力编码器-解码器网络和前馈神经网络（FFN）构成。该模块利用自注意力机制对高维特征进行编码，此操作可获取数据间的全局相关性，从而使模型能够基于混有非时间序列因素的数据中数据间的耦合关系保留重要信息。随后进行自注意力解码，并利用前馈神经网络对初始负荷进行回归。本文引入残差机制构建负荷优化模块，该模块生成残差负荷值以优化初始负荷。仿真结果表明，所提负荷预测方法在预测精度和预测稳定性方面具有优势。
引用
@article{arxiv.2309.07140,
title = {Short-term power load forecasting method based on CNN-SAEDN-Res},
author = {Yang Cui and Han Zhu and Yijian Wang and Lu Zhang and Yang Li},
journal= {arXiv preprint arXiv:2309.07140},
year = {2024}
}
备注
in Chinese language, Accepted by Electric Power Automation Equipment