一种基于Transformer多特征融合的短期负荷预测方法

摘要

电力负荷的变化不仅具有潜在周期性特征，外部气象等因素对负荷变化同样具有较大的影响，为提高负荷预测精度，提出一种基于Transformer-CNN融合内部周期性特征和外部气象特征的短期负荷预测方法。首先，采用奇异谱分析(Singular Spectrum Analysis, SSA)对历史负荷序列进行周期性重构，采用快速傅里叶变换(Fast Fourier Transform, FFT)提取典型序列周期，同时采用改进的灰色关联度法计算外部多种气象因素与历史负荷关联度，提取负荷内部7种周期性特征和外部4种气象特征，建立特征集；其次，设计一种多特征融合神经网络，基于CNN的多特征融合网络捕获特征集中潜藏特征与隐藏信息，基于Transformer的时序网络捕获历史负荷数据的时变特性，最终经隐式特征融合网络实现网络融合和短期负荷预测。实验结果表明，提取负荷内外双重特征能够有效提高模型预测精度，对节假日等特殊日期负荷预测的精度提高尤为明显。

关键词

短期负荷预测 / 特征融合 / 气象因素 / Transformer / 自注意力机制