-
基于Transformer模型的电力负荷预测
摘要:根据已知的历史用电需求来预测未来的用电需求是电网稳定且经济运行的重要一环。针对现有电力负荷预测方法存在无法准确长期预测的问题,提出一种新的基于TranSformer模型的电力负荷预测模型。该方法在循环神经网络可以捕捉用电负荷短期依赖的基础上,通过编码器-解码器结构很好地捕捉了电力负荷的长期依赖特征:通过建立电力负荷数据集,训练得到了具备精准预测能力的TranSformer模型。实验结果表明,TranSformer模型具有较高的预测精度,随着预测时间巨幅增加,预测误差只出现了微小累积,该模型较好地预测了电力负荷可能出现的波动,且无时滞效应。
-
基于迁移学习的电力负荷预测研究
摘要:电力负荷预测是智能电网建设的基础,对我国未来碳计量工作具有重要作用。基于智能算法的电力负荷预测需要大量的历史数据作为模型训练样本,而新建城区或电力计量基础较为落后地区,难以收集大量准确的历史数据用于训练模型,导致难以准确进行电力负荷预测。现通过深度学习网络构建电力负荷预测模型,并基于迁移学习算法构建既有建筑电力数据和新建建筑电力负荷间的联系,通过既有建筑负荷历史数据训练所得模型来预测新建建筑电力负荷,以南京市某办公建筑为例验证所构建的负荷预测模型,预测误差可保持在7.8%以内,所提出的电力负荷预测方法可为实际电力负荷预测计量提供参考。
