-
基于Transformer模型的電力負荷預測
摘要:根據(jù)已知的歷史用電需求來預測未來的用電需求是電網(wǎng)穩(wěn)定且經(jīng)濟運行的重要一環(huán)。針對現(xiàn)有電力負荷預測方法存在無法準確長期預測的問題,提出一種新的基于TranSformer模型的電力負荷預測模型。該方法在循環(huán)神經(jīng)網(wǎng)絡可以捕捉用電負荷短期依賴的基礎上,通過編碼器-解碼器結構很好地捕捉了電力負荷的長期依賴特征:通過建立電力負荷數(shù)據(jù)集,訓練得到了具備精準預測能力的TranSformer模型。實驗結果表明,TranSformer模型具有較高的預測精度,隨著預測時間巨幅增加,預測誤差只出現(xiàn)了微小累積,該模型較好地預測了電力負荷可能出現(xiàn)的波動,且無時滯效應。
-
基于遷移學習的電力負荷預測研究
摘要:電力負荷預測是智能電網(wǎng)建設的基礎,對我國未來碳計量工作具有重要作用。基于智能算法的電力負荷預測需要大量的歷史數(shù)據(jù)作為模型訓練樣本,而新建城區(qū)或電力計量基礎較為落后地區(qū),難以收集大量準確的歷史數(shù)據(jù)用于訓練模型,導致難以準確進行電力負荷預測?，F(xiàn)通過深度學習網(wǎng)絡構建電力負荷預測模型,并基于遷移學習算法構建既有建筑電力數(shù)據(jù)和新建建筑電力負荷間的聯(lián)系,通過既有建筑負荷歷史數(shù)據(jù)訓練所得模型來預測新建建筑電力負荷,以南京市某辦公建筑為例驗證所構建的負荷預測模型,預測誤差可保持在7.8%以內,所提出的電力負荷預測方法可為實際電力負荷預測計量提供參考。
