文档名：基于TCACNNLSTM的短期负荷预测研究
摘要：为有效地挖掘历史数据信息,提高短期负荷预测准确性,文章针对电力负荷时序性和非线性的特点,在原有一维卷积神经网络(ConvolutionalNeuralNetwork,CNN)-长短期记忆网络(LongShortTermMemory,LSTM)模型的基础上,分别在CNN和LSTM侧嵌入通道注意力机制(ChannelAttention,CA)和时序注意力机制(TemporalAtten-tion,TA),构建CA-CNN和TA-LSTM模块,结合CA-CNN和TA-LSTM模块构建TCA-CNN-LSTM的层级注意力机制短期负荷预测模型.同时,为提高训练数据的质量并加快模型训练速度,运用K-means和决策树模型选取相似日数据,构建基于相似日数据的向量特征时序图,最后将时序图输入TCA-CNN-LSTM负荷预测模型完成预测.以澳大利亚某地真实数据集和2016电工杯数学建模竞赛电力负荷数据为算例,分别应用TCA-CNN-LSTM模型与支持向量机、多层感知机(MultilayerPerceptron,MLP)、LSTM、CNN-LSTM和CNN-Attention-LSTM模型的预测结果进行对比,实验结果表明,所提方法具有更高的预测精度.
作者：林涵 郝正航 郭家鹏 吴育栋Author：LinHan HaoZhenghang GuoJiapeng WuYudong
作者单位：贵州大学电气工程学院,贵阳550025
刊名：电测与仪表 ISTICPKU
Journal：ElectricalMeasurement&Instrumentation
年，卷(期)：2023, 60(8)
分类号：TM715
关键词：短期电力负荷 卷积神经网络 长短期记忆网络 注意力机制
Keywords：short-termpowerload convolutionalneuralnetwork longshort-termmemorynetwork attentionmechanism
机标分类号：
在线出版日期：2023年8月22日
基金项目：国家自然科学基金基于TCA-CNN-LSTM的短期负荷预测研究[
期刊论文] 电测与仪表--2023, 60(8)林涵 郝正航 郭家鹏 吴育栋为有效地挖掘历史数据信息,提高短期负荷预测准确性,文章针对电力负荷时序性和非线性的特点,在原有一维卷积神经网络(ConvolutionalNeuralNetwork,CNN)-长短期记忆网络(LongShortTermMemory,LSTM)模型的基础上,分别...参考文献和引证文献
参考文献
引证文献
本文读者也读过
相似文献
相关博文
基于TCA-CNN-LSTM的短期负荷预测研究 Research on short-term load forecasting based on TCA-CNN-LSTM
基于TCA-CNN-LSTM的短期负荷预测研究.pdf
- 文件大小:
- 15.35 MB
- 下载次数:
- 60
-
高速下载
|
