基于Attention-LSTM与多模型集成的短期负荷预测方法

基于Attention-LSTM与多模型集成的短期负荷预测方法
目前深度学习技术发展快速,针对其在短期负荷预测任务中处理离散数据效果较差以及泛化性不佳的问题,提出一种基于注意力机制的长短期记忆网络(long short-term memory network with attention mechanism,Attention-LSTM)与Stacking多模型集成的负荷预测方法,可以兼顾二者优势。首先,利用均值编码的方式处理离散特征,接着应用Attention-LSTM对负荷数据进行特征提取,再将处理后的数据一同输入到基于Stacking的多模型集成预测模型中,通过3种基学习器对输入特征进行分析处理,最终通过元学习器完成预测。算例使用2个数据集中的实际负荷数据进行分析,对2个数据集中的负荷数据分别进行预测,并与门控学习单元、轻量级梯度提升机、支持向量机方法进行对比。仿真结果表明,所提方法在2个数据集的预测精度均能够超过98%,比其他3种方法的预测精度更高。

标题：
基于Attention-LSTM与多模型集成的短期负荷预测方法
Short-term load forecasting method based on Attention-LSTM and multi-model integration

作者：
朱继忠，苗雨旺，董朝阳，董瀚江，陈梓瑜，李盛林
ZHU Jizhong, MIAO Yuwang, DONG Zhaoyang, DONG Hanjiang, CHEN Ziyu, LI Shenglin

关键词：
电力系统;短期负荷预测;长短期记忆网络;Stacking集成学习;注意力机制;均值编码
power system;short-term load forecasting;long short-term memory network;Stacking ensemble learning;attention mechanism;mean coding

2025-1-23 20:00 上传 基于Attention-LSTM与多模型集成的短期负荷预测方法.pdf

文件大小:

1.72 MB

下载次数:

60

高速下载