分类： 计算机科学 >> 计算机应用技术 提交时间： 2022-04-26
摘要： 负荷预测能有效助力负荷供需的动态平衡，保障电力系统稳定运行。基于统计模型和基于深度学习是目前构建预测方法的两种思路，但是少有从可解释的角度构建负荷预测方法。本文利用深度神经网络的非线性拟合能力，以及指数平滑模型的可解释特性，提出了深度平滑因子模型（DeepES）。从实际负荷序列数据中的预测结果来看，DeepES模型实现了最优的预测效果，而且相比于传统单一因子作为网络输入的RNNs网络具有更精确、可解释性更好的负荷预测模型。
分类： 计算机科学 >> 计算机科学的集成理论 提交时间： 2022-04-07 合作期刊: 《计算机应用研究》
摘要： 交通流预测在智能交通系统的建设中起着关键性的作用，然而现有的预测方法无法准确的挖掘其潜在的时空相关性，而且大都采用全连接网络进行单步预测。为了进一步挖掘数据的时空特性以及提升长短期预测的精度，提出了一种门控循环图卷积网络(gated recurrent graph convolutional network，GR-GCN)模型。首先，利用频域上的图卷积结合门控循环单元(GRU)构建一个时空组件(spatial-temporal component，STC)以同时捕获节点的时空相关性，充分的提取数据的时空特征；然后，利用该时空组件构成编码器单元，并将时间序列数据和路网结构数据输入其中；最后，使用门控循环单元作为解码器单元，并按照时间顺序将两者组成一个编码器-解码器(Encoder-Decoder)结构，依次解码出每个时刻的预测结果。在加利福尼亚交通局(Caltrans)性能评估系统中高速公路数据集PeMSD4和PeMSD8进行了实验。结果表明，所提模型GR-GCN在预测未来15分钟、30分钟、45分钟和60分钟的交通流量方面优于大多数现有基准模型，尤其是在长期预测方面。
分类： 计算机科学 >> 计算机科学技术其他学科 分类： 能源科学 >> 能源（综合） 提交时间： 2021-08-11
摘要： 负荷预测是电网系统中很多应用的关键部分，具有重要作用。然而，由于电网负荷的非线性、时变性和不确定性，使得准确预测负荷具有一定的挑战。充分挖掘负荷序列的潜在特征是提升预测准确率的关键。本文认为在特征提取时应该充分利用负荷序列的位置信息、趋势性、周期性和时间信息，同时还应构建更深层次的神经网络框架进行特征挖掘。因此，本文提出了基于特征嵌入和Transformer框架的负荷预测模型，该模型由特征嵌入层，Transformer层和预测层组成。在特征嵌入层，模型首先对历史负荷的位置信息、趋势性、周期性和时间信息进行特征嵌入，然后再与天气信息进行融合，得到特征向量。Transformer层则接受历史序列的特征向量并挖掘序列的非线性时序依赖关系。预测层通过全连接网络实现负荷预测。从实验结果来看，本文模型的预测性能优于对比模型，体现了该模型的可行性和有效性。
点击量
待评议
点击量
下载量
评论
