基于改进迁移学习和多尺度CNN-BiLSTM-Attention的短期电力负荷预测方法
针对目标域负荷数据样本不足导致模型训练不充分从而预测精度不高的问题,提出一种改进的分层级迁移学习策略结合多尺度CNN-BiLSTM-Attention模型的短期电力负荷预测方法.设计串并行相叠加的多尺度CNN作为特征提取器,把提取到的特征作为输入传递到两层BiLSTM结构进行进一步的学习,引入注意力机制调节捕获的信息向量权重.按照基础模型的结构划分层级,将源域数据按照拟合优度值的高低输入至模型进行分层级的迁移学习训练,保留每一层最优的训练权重,之后使用目标域数据对模型进行微调得到最终的预测模型.经实验证明,所提出的多尺度CNN-BiLSTM-Attention模型能有效提高负荷预测精度,在负荷数据样本不足时,改进的分层迁移学习策略相比于直接迁移学习能有效降低预测误差.以目标域6个月数据为例,MAPE指标降低13.31％,MAE指标降低15.16％,RMSE指标降低14.37％.
负荷预测、卷积神经网络、双向长短期记忆网络、注意力机制、迁移学习
51
TP391;TM714;G633.41
浙江省基础公益研究计划项目LGG22E070003
2023-02-16（万方平台首次上网日期，不代表论文的发表时间）
共9页
132-140
