改进时间序列网络的短期电力负荷预测方法

摘要

针对现有短期电力负荷预测方法未充分考虑负荷在不同时间尺度和空间特征的多维度变化，无法有效捕捉负荷变化而导致预测准确度不高的问题，提出一种基于双重注意力融合长短期时间序列网络（dual-attention fusion of long-and short-term time series networks,DALSTNet）的短期电力负荷预测方法 .首先，构建双重注意力模块，分别对不同时间和空间特征进行加权，有效区分电力负荷数据中不同时空特征的重要性；其次，构建多尺度因果卷积神经网络（convolutional neural network,CNN）和两个堆叠的双向长短期记忆（bidirectional long and short-term memory,BiLSTM）模块，用于学习电力负荷数据中存在的短期、长期与超长期重复特征，实现对电力负荷数据多维多尺度特征的联合提取；最后，利用融合层融合上述模块提取到的多维多尺度时空特征，并通过全连接层输出获得最终短期电力负荷预测结果 .基于IEEE Dataport住宅综合能源系统负荷数据集算例分析结果表明，本文提出方法能有效提取负荷数据的多维多尺度时空特征，相比现有方法在短期电力负荷预测中的均方根误差、平均绝对误差、平均绝对百分比误差等指标均表现更好，实现了更高的预测准确度和更优的稳定性.

关键词

负荷预测 / 注意力机制 / 时间序列 / 因果卷积 / 长短期记忆网络