Sep, 2023

利用粒子群优化的多头自注意力增强的 CNN-LSTM 网络进行短期负荷预测

PDF
TL;DR本文提出了一种新的解决方案，利用粒子群优化算法自主探索和优化超参数、多头注意机制识别准确预测所需的关键特征，并采用高效的计算框架，通过对一个真实的用电需求数据集进行严格评估，实验结果表明，该方法在准确性、鲁棒性和计算效率方面具有显著优势，其平均绝对百分比误差为 1.9376，相较于现有最先进的方法标志着短期负荷预测的新时代的开启。
short-term load forecastingdeep learninghyperparameter sensitivityinterpretabilitycomputational efficiency
发现论文，激发创造
  • 使用堆叠的双向 LSTM 和 CNN 对达卡市短期电力需求进行预测

    提出了一种混合模型，结合了卷积神经网络和堆叠双向长短期记忆架构，以准确预测达卡市电力需求的短期预测，该方法在比较中表现最佳，优于其他基准模型，并且对于负载预测也超过了现有的某些研究成果。

    Jun, 2024

  • 深度学习模型对日前负载预测的比较评估：探究关键准确性驱动因素

    本研究旨在比较不同深度学习模型在短期负荷预测方面的准确性，并针对葡萄牙的国家网联合短期负荷预测，进行多层感知器、N-BEATS、长短期记忆神经网络和时间卷积网络等一些具有代表性的自回归神经网络的评估，并进行后续分析以确定最合适的模型。结果表明，N-BEATS 模型始终优于其它深度学习模型，并且外部因素显著影响准确性，从而影响模型的实际和相对性能。

    Feb, 2023

  • 智能电网中数据稀缺下的少样本负荷预测：元学习方法

    该论文提出了一种基于元学习算法的短期负荷预测方法，通过少量训练样本在任意长度的未知负荷时间序列中快速适应和泛化，并通过历史负荷消耗数据集的评估表明，该方法能够准确预测负荷，比传统的迁移学习和任务特定的机器学习方法提高了 12.5% 的准确度。

    Jun, 2024

  • 时间序列预测的深度学习：电力负荷案例

    本文探讨了在智能电网等关键基础设施中实现高效运营所需的精确电力负荷预测的问题，提出了基于深度学习模型应用于电力负荷预测问题的最新趋势，并通过实验评估了前馈神经网络、循环神经网络、序列到序列模型和时空卷积神经网络等多种深度学习模型在短期负荷预测方面的性能表现。

    Jul, 2019

  • 基于注意力机制神经网络负荷预测的统一框架

    本文提出了一种基于深度学习的模块化设计的电力负荷预测框架，包括时间变化特征权重，分层时间注意力和特征加强误差校正。实验结果表明，该框架在两个公共数据集和性能度量上优于现有方法，其中特征权重机制和误差校正模块对于实现卓越性能至关重要。

    May, 2023

  • 制造业短期瞬时能耗预测的深度学习

    本文研究了如何在短期内准确预测能源消耗，对比了使用 LSTM、CNN、混合 CNN-LSTM 和 TCN 等多种深度学习算法的表现，通过实验结果表明 TCN 是最可靠的预测短期能源消耗的方法。

    Jul, 2022

  • 基于序列到序列学习的智能家居短期负载预测

    本文提出使用基于 LSTM 的序列 - 序列学习模型来捕捉家用电器负载曲线，并使用 4 个住宅建筑物的真实数据集将其与 VARMA，Dilated One Dimensional 卷积神经网络和 LSTM 模型进行比较，结果表明，在大多数情况下，提出的 LSTM 序列 - 序列模型在预测误差方面优于其他技术。

    Jun, 2021

  • 基于差分进化算法的变压器神经网络模型负荷预测超参数选择

    准确的负荷预测在许多领域起着重要作用，传统统计模型难以准确捕捉动态电力系统的复杂动力学。本文分析了最近开发的基于 Transformer 的神经网络模型在负荷预测中的效力，通过应用多种元启发式算法，并基于数值指标（均方误差和平均绝对百分比误差）比较各模型的性能，证明了元启发式增强的 Transformer-based 神经网络模型在负荷预测准确性方面的潜力，并提供了每个模型的最佳超参数。

    Jul, 2023

  • 上下文增强的动态注意力 ES-dRNN 模型用于短期负荷预测

    本文介绍一种新的短期负载预测模型，该模型基于具有上下文增强的混合和分层体系架构，这些架构结合了指数平滑和递归神经网络。该模型在 35 种预测问题中显示出比其前身以及标准统计模型和最先进的机器学习模型更为准确的预测效果。

    Dec, 2022

  • 使用长短期记忆网络进行自然语言处理的电力需求预测

    本文提出了一种利用文本新闻特征的长短期记忆网络（LSTM）来成功预测英国国家电力需求的确定性和概率任务。实验结果表明，带有文本特征的 LSTM 相对于纯 LSTM 基准模型改进了 3% 以上，相对于官方基准模型改进了近 10%。此外，该模型能够通过缩小置信区间和使预测分布更接近真实值来有效地降低预测的不确定性。

    Sep, 2023