基于Seq2Seq BiLSTM和多头注意力机制的融合的超短时间功率负载预测
Yuanfang Gou1, Cheng Guo2, Risheng Qin3
1School of Mechanical and Electrical Engineering, Kunming University of Science and Technology, Kunming, Yunnan, China.
PloS one
|March 22, 2024
概括
准确的超短期电力负载预测对于电网稳定性至关重要. 本研究引入了一种新的深度学习框架,使用卷积神经网络 (CNN) 和双向长期短期记忆 (BiLSTM) 网络来提高预测准确度.
科学领域:
- 电气工程 电气工程
- 计算机科学 计算机科学
- 人工智能的人工智能
背景情况:
- 精确的超短期电力负载预测对于优化电力系统经济效率和确保电网稳定性至关重要.
- 功率负载的固有波动性和随机性对实现可靠的预测提出了重大挑战.
- 现有的方法往往难以有效地捕捉复杂的时间依赖性和外部影响因素.
研究的目的:
- 提出一种新的序列对序列学习框架,用于在功率负载预测中同步的多维特征提取.
- 为了提高超短期功率负载预测的准确性和可靠性.
- 利用深度学习技术来改善电网管理.
主要方法:
- 在编码器中采用卷积神经网络 (CNN) 和双向长期短期记忆 (BiLSTM) 网络的序列对序列框架,从外部因素中提取相关的时间特征.
- 解码器中的一个平行BiLSTM网络,用于在不同地区分别挖掘功率负载计时信息.
- 整合一个多头注意力机制来融合BiLSTM隐藏层状态,以增强关键信息的表现.
主要成果:
- 拟议的模型在使用真实世界功率负载数据的经验分析中显示出高的预测准确性.
- 组合的CNN-BiLSTM编码器有效地捕获了来自外部影响的时间特征.
- 平行BiLSTM解码器和注意力机制改善了区域负载信息的挖掘和融合.
结论:
- 开发的深度学习框架在超短期功率负载预测准确度方面取得了重大进展.
- 模型能够同步学习多维特征的能力解决了负载波动带来的挑战.
- 这种方法为提高电力系统的运行效率和稳定性提供了强大的解决方案.
