典型文献
基于多头注意力卷积网络的电力负荷预测
文献摘要：
预测居民用电相当于预测一个多元时间序列.针对多个传感器信号的特定窗口能够利用预测模型提取不同的特征来预测用电量.然而,由于时间序列内部特征存在着不规则的模式,包括电力属性之间隐藏的相关性,使得负荷预测准确率不高.为了提取复杂的不规则电力模式,选择性地学习时空特征以减少电力属性间的平移方差,本文提出了一种基于多头注意力的卷积循环神经网络深度学习模型.相较于单纯的时间序列模型,该模型利用卷积和加权机制对电力属性和有功功率间的局部相关性进行建模.它利用softmax函数和点积运算的注意力分数来模拟电力需求的瞬态和脉冲特性,有效地对瞬时脉冲功耗进行预测.在美国加州大学欧文分校(University of California,Irvine,UCI)家庭用电数据集共2075259个时间序列上的实验表明,所提出的模型与现有方法相比,准确率得到了较大提升.
文献关键词：
深度学习;注意力机制;时间序列预测;负荷预测
中图分类号：
作者姓名：
郑征;谭磊;周楠;韩军伟;高晶;翁理国
作者机构：
国网河南省电力公司经济技术研究院,郑州,450052;河南九域腾龙信息工程有限公司,郑州,450052;南京信息工程大学 江苏省大数据分析技术重点实验室,210044
文献出处：
引用格式：
[1]郑征;谭磊;周楠;韩军伟;高晶;翁理国-.基于多头注意力卷积网络的电力负荷预测)[J].南京信息工程大学学报,2022(05):535-542
A类：
B类：
多头注意力,卷积网络,电力负荷预测,居民用电,相当于,一个多元,多元时间序列,传感器信号,用电量,预测准确率,地学,学习时空,时空特征,平移,卷积循环神经网络,深度学习模型,时间序列模型,加权机制,有功功率,局部相关,softmax,电力需求,瞬态,脉冲特性,瞬时脉冲,功耗,美国加州大学,欧文,分校,University,California,Irvine,UCI,用电数据,列上,注意力机制,时间序列预测
AB值：
0.479077
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
