基于MIC和MA-LSTNet的超短期电力负荷预测模型

摘要

在多元时序超短期电力负荷预测中，各变量之间往往存在长期和短期两种时间模式，而长短期时间序列网络(LSTNet)可以提取天气因素与负荷之间的短期变化和长期趋势，提高了预测的精度。本文建立了基于最大信息系数(MIC)和采用多头注意力机制的长短期时间序列网络(MA-LSTNet)的超短期负荷预测模型。首先，利用最大信息系数分析天气变量在各负荷滞后时段与预测序列的相关性，使用符号聚合近似(SAX)量化相关性曲线，对天气变量进行最优选择，减少模型输入冗余；其次，对长短期时间序列网络进行了改进，提出了采用多头注意力机制的长短期时间序列网络，通过在非线性部分加入自注意力层，实现了对于非季节性、非周期性的长短期时间模式的提取。截至目前与其它模型相比，本文提出的模型具有最佳的预测性能。

关键词

长短期模式 / 最大信息系数 / 循环跳过层 / 注意力机制 / 符号聚合近似

基金资助

国家重点研发计划(2022YFB3105100)