基于Attention-LSTM的短期电力负荷预测OA
Short-term power load forecasting based on Attention-LSTM
电力负荷预测的准确性受到多种因素的干扰,如气候变化、经济发展以及区域差异等,这些因素使得电力负荷呈现出显著的不稳定性和复杂的非线性特征,从而增加了提高预测精度的难度.为了应对这一挑战,本文创新性地引入了一种结合自注意力机制与长短期记忆网络(LSTM)的预测方法.通过在美国某一地区的实际用电负荷数据验证模型,实验结果表明,该方法的决定系数(R2)为 0.96,平均绝对误差(MAE)为 0.023,均方根误差(RMSE)为 0.029,提升了预测的准…查看全部>>
The accuracy of power load forecasting is interfered by many factors,such as climate change,economic development and regional differences,which make the power load present significant instability and complex nonlinear characteristics,thus increasing the difficulty of improving the forecasting accuracy.To address this challenge,this paper innovatively introduces a prediction method that combines self-attention mechanism with Long Short-term Memory Network(LST…查看全部>>
李璨;伍黎艳;赵威;李晟;曾加贝;苏旨音;曾进辉
株洲电力勘测设计科研有限公司,湖南 株洲 412000株洲电力勘测设计科研有限公司,湖南 株洲 412000株洲电力勘测设计科研有限公司,湖南 株洲 412000株洲电力勘测设计科研有限公司,湖南 株洲 412000株洲电力勘测设计科研有限公司,湖南 株洲 412000湖南工业大学电气与信息工程学院,湖南 株洲 412007湖南工业大学电气与信息工程学院,湖南 株洲 412007
动力与电气工程
短期电力负荷预测长短期记忆网络自注意力机制预测精度模型泛化能力
short-term power load forecastinglong short-term memory networksself-attention mechanismpredictive accuracymodel generalisation capabilities
《船电技术》 2025 (1)
5-8,4
关于多场景光储充用一体化系统容量优化配置及运行控制策略研究的辅助服务采购
评论