基于注意力机制融合LSTM的短期电力负荷预测算法研究

扫码查看

原文链接

NETL

中文摘要：随着“碳达峰、碳中和”写入国家发展规划，推动了能源电力行业转型升级，电网结构将逐渐发生改变，电力供应将更多地受到气候等多种因素的影响。新形势下，短期电力负荷预测支撑了电力系统经济调度和规划，保障了电网运行的安全与稳定，预测的准确性将更具意义。当前，将人工智能技术应用于电力负荷预测是一种新的趋势，随着电力系统的数据量和数据维度的持续增长，一般的机器学习方法在处理非线性任务时，难以捕捉复杂的变量关系，导致预测效果并不理想。本文从深度学习的预测方法出发，结合实际数据对如何提高短期电力负荷预测的准确性展开研究，提出了基于注意力机制融合LSTM的短期电力负荷预测算法。本文主要工作及创新点如下: (1)首先搭建了基于循环神经网络(recurrent neural network，RNN)的短期电力负荷预测模型，结合本文数据进行预测分析，得出RNN模型在本文短期电力负荷预测任务上的预测结果;再搭建基于长短期记忆网络(long shortterm memory，LSTM)的预测模型，并完成训练和预测，实验结果表明，LSTM模型的短期电力负荷预测精度优于RNN，验证了LSTM预测模型以引入门控结构的方式对RNN进行改进的有效性。 (2)提出了基于注意力机制融合LSTM的短期电力负荷预测算法，利用Transformer注意力机制的编码器端和解码器端，分别构建了Encoder-Attention融合LSTM (EA-LSTM)、Encoder-Decoder-Attention融合LSTM (EDA-LSTM)两种模型。通过引入注意力机制，采用并行计算的方式建立整个电力负荷序列之间的联系，将输入的特征数据进行相关度加权处理，突出对预测结果影响最大的特征，解决了LSTM模型无法并行化计算和充分挖掘序列内在相关性的问题，以提高模型训练效率和预测精度。实验结果表明，EA-LSTM模型和EDA-LSTM模型分别有效验证了Transformer注意力机制编码器端的特征表示能力和解码器端的特征融合能力，基于注意力机制融合LSTM的算法模型较大地提高了短期电力负荷预测的准确性。

作者：

曹少奇

展开 >

关键词：

短期电力负荷预测注意力机制长短期记忆网络准确性

授予学位：

硕士

学科专业：

计算机技术

导师：

琚贇；白帅

学位年度：

2022

学位授予单位：

华北电力大学（北京）

语种：

中文

中图分类号：