基于N-BEATS与辅助编码器的短期电力负荷预测

作者：范茜茜; 王国强; 罗贺; 台建玮

来源：电网技术, 2024, 48(04): 1612-1621.

DOI：10.13335/j.1000-3673.pst.2023.0759

• 短期电力负荷预测
• 神经基扩展分析
• 多头注意力机制
• 特征融合
• 深度学习

短期电力负荷预测的准确性对智能电网平稳高效运行具有重要意义，但多种因素影响下的负荷数据具有较强的非平稳性与随机波动性，使得高精度的短期电力负荷预测面临挑战。为充分挖掘负荷序列中的趋势特征与周期性特征，准确提取与电力负荷存在潜在相关性的辅助信息特征，提升短期电力负荷预测精度，该文提出了一种基于神经基扩展分析(neural basis expansion analysis,N-BEATS)与辅助编码器的短期电力负荷预测模型。该模型包含两个并行的编码器，基于神经基扩展分析(neural basis expansion analysis,N-BEATS)模型的负荷特征编码器和基于多头注意力机制的辅助信息编码器，分别用于学习负荷数据中的时序特征与辅助信息特征。同时，构建特征融合模块将时序特征和辅助信息特征构造成联合特征向量，并设计基于门控循环单元(gated recurrent unit,GRU)的预测解码器模块进行短期电力负荷预测。在GEFCom2014公开数据集上进行实验，结果表明所提方法与长短期记忆(long short-termmemory,LSTM)网络模型、卷积神经网络(convolutional neural network,CNN)-LSTM网络模型、序列到序列(sequence-to-sequence,Seq2Seq)网络模型、季节自回归差分移动平均(seasonal autoregressive integrated moving average,SARIMA)模型及支持向量回归模型(support vector returns,SVR)等基线模型相比，在预测精度方面具有明显优势，平均绝对百分比误差(mean absolute percentage error,MAPE)平均提升了24.16%。

• 单位
  合肥工业大学