典型文献
基于循环扩张机制的ConvGRU-Transformer短期电力负荷预测方法
文献摘要：
Transformer作为一种建立在自注意力机制上的新颖神经网络模型,其所具有的高度并行化计算结构和有效捕捉序列长期依赖性的能力为短期电力负荷预测带来了新的发展空间.舍弃递归与卷积结构为提取序列关联性提供便利,同时也导致信息碎片化.为充分挖掘注意力模型潜力,提出了一种基于循环扩张机制的卷积门控循环单元(Convolutional Gated Recurrent Unit,ConvGRU)-Transformer短期电力负荷预测方法.针对输入序列分割影响长期特征提取的问题,提出一种循环扩张注意力机制,在提高计算效率的同时扩大了学习视野.为保证注意力视野扩大后信息位置的一致性,建立了一种基于ConvGRU的全局位置编码方法.实验结果表明与常规方法相比,所提方法有更高的预测精度和良好的可解释性.
文献关键词：
短期负荷预测;自注意力机制;循环扩张机制;相对位置编码;门控循环单元
中图分类号：
作者姓名：
遆宝中;李庚银;武昭原;王剑晓;周明;李瑞连
作者机构：
新能源电力系统国家重点实验室(华北电力大学),北京102206
文献出处：
引用格式：
[1]遆宝中;李庚银;武昭原;王剑晓;周明;李瑞连-.基于循环扩张机制的ConvGRU-Transformer短期电力负荷预测方法)[J].华北电力大学学报（自然科学版）,2022(03):34-43
A类：
循环扩张机制
B类：
ConvGRU,Transformer,短期电力负荷预测,负荷预测方法,自注意力机制,并行化计算,计算结构,舍弃,递归,提取序列,致信,信息碎片化,注意力模型,卷积门控循环单元,Convolutional,Gated,Recurrent,Unit,高计算效率,编码方法,常规方法,可解释性,短期负荷预测,相对位置编码
AB值：
0.232487
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。
