使用修改后的深度CNN-Bi LSTM与注意力机制进行能源消耗预测
Adel Binbusayyis1, Mohemmed Sha1
1Department of Software Engineering, College of Computer Engineering and Sciences, Prince Sattam bin Abdulaziz University, Saudi Arabia.
Heliyon
|January 24, 2025
概括
准确的家庭能源消耗预测至关重要. 一个新的深度学习模型,改进深度CNN-Bi-LSTM,显著提高了智能城市能源管理的预测准确性.
科学领域:
- 能源系统 能源系统
- 人工智能的人工智能
- 智慧城市 智慧城市
背景情况:
- 家庭能源消耗预测对于电网稳定性和资源管理至关重要.
- 传统方法在精度和错误率方面面临局限性,对于复杂的能量模式而言.
- 越来越多的人对电器的依赖,需要先进的预测技术.
研究的目的:
- 开发和评估一个用于准确预测家庭能源消耗的深度学习模型.
- 利用智能城市系统和家庭能源消耗数据集进行增强的预测.
- 通过精确的预测来改善能源生产,防止过载,并优化能源储存.
主要方法:
- 数据预处理,包括处理缺失值和特征缩放.
- 使用修改的深度卷积神经网络-双向长期短期记忆 (CNN-Bi-LSTM) 与回归的注意力机制.
- 提取时间和空间特征来建模不规则的时间序列趋势.
主要成果:
- 拟议的模型实现了0.123的平均平方误差 (MSE),0.22的平均绝对误差 (MAE) 和324.12的平均绝对百分比误差 (MAPE).
- 证明了高效的性能,训练时间为692.12秒,预测时间为1.87秒.
- 注意力机制增强了模型专注于相关输入部分的能力,以改善预测.
结论:
- 修改深度CNN-Bi-LSTM模型在家庭能源消耗预测准确度方面取得了重大进展.
- 准确的预测对于优化智能城市环境中的能源管理至关重要.
- 这项研究强调了需要复杂的深度学习技术来解决能源需求的复杂性.
