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

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。

Sep, 2023

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

提出了一种卷积序列到序列的非侵入式负载监测模型，并成功地将其应用于 REDD 数据集来进行电器分解，并与文献中的卷积序列对点模型进行比较。结果表明，该模型能够为具有不同特征的电器提供令人满意的分解性能。

Jun, 2018

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

开发基于卷积神经网络的六种新型预测模型，用于预测集成能源系统的多能源需求，评估结果使用信噪比和均方根误差进行。

Dec, 2023

电力消耗预测是确保电网性能和稳定性的关键，本文介绍了自动深度学习在负荷预测中的应用，并通过自动选择特征和优化网络架构和超参数，展示了能够超越现有方法的原创深度学习模型。

May, 2024

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

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

本文提出了一种基于自编码器的残差深度神经网络，通过利用快捷连接嵌套实现残差映射，实现了对连续变量的可靠预测，并在多个数据集上得到了较高的精度和效率。

Dec, 2018