,load forecasting, sequence to sequence( Seq2Seq), self-attention mechanism, temporal attention mechanism, multi step prediction ,"/>
吉林大学学报(信息科学版) ›› 2023, Vol. 41 ›› Issue (2): 251-258.
姜建国, 陈 鹏, 郭晓丽, 佟麟阁, 万成德
JIANG Jianguo, CHEN Peng, GUO Xiaoli, TONG Linge, WAN Chengde
摘要: 针对经典的深度学习方法在多步长预测精度不高问题, 提出一种基于双注意力序列到序列的短期负荷预 测模型。 通过自注意力机制有效提取影响负荷数据的隐藏相关因素, 使模型能更好地发现负荷数据之间的规 律, 自适应地学习了负荷数据之间的相关特征, 时间注意力机制捕获与时间相关的时序特征。 经 2 个实际负荷 数据实验, 仿真结果表明, 在( t+12) 预测情况下, 模型评价指标 MAPE( Mean Absolute Percentage Error) 为 2. 09% , 较 LSTM(Long Short-Term Memory)模型损失下降 56. 69% 。 验证了模型的正确性和可行性, 模型较线 性回归、 LSTM 模型和 Seq2Seq (Sequence to Sequence)模型的预测效果更好。
中图分类号: