基于模糊逻辑的FBiLSTM-Attention短期负荷预测

摘要

针对电力负荷数据由于受多种因素的影响具有高度不确定性的问题，将负荷数据的不确定性与深度学习算法相结合，提出了一种基于模糊逻辑的FBiLSTM-Attention短期负荷预测模型，以提高负荷预测的精度。首先，对原始数据进行数据预处理，包括缺失值填充、相关性分析及数据归一化；其次，通过K-Means聚类将每个特征的数据转换成模糊规则引入模糊逻辑的处理，同时，模型结构方面采用双向长短期记忆网络(BiLSTM)和注意力机制(Attention);最后，对所提方法和传统的LSTM与BiLSTM-Attention模型的预测结果进行对比。结果表明，结合了模糊逻辑的模型精确度和鲁棒性都有了明显的提升，具有更好的预测性能。所提模型可以有效提高处理不确定性数据的能力，为负荷预测研究提供了参考。

关键词

数据处理 / 模糊逻辑 / 负荷预测 / 双向长短期记忆网络 / 注意力机制

基金资助

国家自然科学基金(62233006); 河北省高等学校科学技术研究项目(ZD2021202,QN2022028)