典型文献
基于ECA-TCN的电力系统短期负荷预测研究
文献摘要：
为充分挖掘蕴含在电力负荷数据中有效时序信息,科学、准确地进行短期电力负荷预测,提出了一种基于高效通道注意力ECA(efficient channel attention)模块优化的时间卷积神经网络TCN(temporal convolutional net?work)模型.将轻量级ECA模块与具有强大时序数据挖掘能力的TCN相结合,搭建ECA-TCN负荷预测框架.以可并行计算的TCN为基础学习负荷数据特征,改进基本TCN残差块的下采样位置,嵌入ECA模块,通过一维卷积生成通道权重进而实现不降维的局部跨通道交互,捕获重要信息.该模型能够在增加极少参数的同时提升模型性能,高效地完成负荷预测任务.经实际电网负荷数据仿真,结果表明所提出的ECA-TCN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.
文献关键词：
短期负荷预测;时间卷积神经网络;高效通道注意力
中图分类号：
作者姓名：
梁露;刘远龙;刘韶华;张智晟
作者机构：
青岛大学电气工程学院,青岛 266071;山东大学电气工程学院,济南 250013;水发集团有限公司,济南 250013
文献出处：
引用格式：
[1]梁露;刘远龙;刘韶华;张智晟-.基于ECA-TCN的电力系统短期负荷预测研究)[J].电力系统及其自动化学报,2022(11):52-57
A类：
B类：
ECA,TCN,电力系统,短期负荷预测,预测研究,负荷数据,时序信息,短期电力负荷预测,高效通道注意力,efficient,channel,attention,时间卷积神经网络,temporal,convolutional,net,work,轻量级,时序数据挖掘,并行计算,数据特征,残差块,下采样,一维卷积,不降,局部跨通道交互,重要信息,极少,模型性能,电网负荷,数据仿真,训练速度
AB值：
0.331922
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。
