基于多尺度特征增强DHTCN的电力系统短期负荷预测研究

作者：梁露; 张智晟

来源：电力系统保护与控制, 2023, 51(10): 172-179.

DOI：10.19783/j.cnki.pspc.221134

• 短期负荷预测
• 多尺度特征提取
• 高效通道注意力
• 混合扩张卷积
• 时间卷积神经网络

为充分挖掘蕴含在电力负荷数据中的多尺度时序信息，提升短期电力负荷预测精度，提出了一种多尺度特征增强的改进时间卷积神经网络(improved temporal convolutional network with multi-scale feature enhancement,ECA-MS-DHTCN)模型。首先，使用4种不同尺寸卷积核的因果卷积提取负荷数据特征，并在特征提取层中嵌入高效通道注意力(efficient channel attention network, ECA)模块实现不降维的局部跨通道交互，得到带有通道注意力的多尺度负荷特征。然后，利用双混合扩张卷积层改进基本时间卷积神经网络(temporal convolutional network, TCN)残差块结构，克服TCN模型中扩张卷积结构存在的信息不连续及远距离信息不相关问题，兼顾负荷特征浅层细节及深层联系。最后，将ECA优化的多尺度特征提取层与改进TCN模型结合搭建ECA-MS-DHTCN负荷预测框架，完成短期负荷预测任务。经实际电网负荷数据仿真，结果表明所提出的ECA-MS-DHTCN模型可以在保持较快训练速度的同时有效地提高预测精度。

• 单位
  青岛大学