一种基于深度学习的电力负荷预测的方法及系统

    公开(公告)号:CN117455256A

    公开(公告)日:2024-01-26

    申请号:CN202311403514.7

    申请日:2023-10-26

    摘要: 本发明公开了一种基于深度学习的电力负荷预测的方法及系统,包括数据描述单元、数据预处理单元、模型构件单元、模型训练单元、电力负荷预测单元和模型评估单元,数据预处理单元用于将历史负荷数据和其他相关因素进行归一化处理,模型构件单元用于将归一化后的数据输入到深度学习模型中进行训练,模型训练单元通过将历史负荷数据输入到深度学习模型中,电力负荷预测单元使用经过训练的深度学习模型来对未来的电力负荷进行预测,模型评估单元用于对模型的预测结果进行评估,模型构建单元包括构建改进型TFT模型。本发明通过提出了一种改进型TFT模型,通过将TFT的LSTM嵌入层替换为多头自注意力层,使模型更好地把握全局特征,优化TFT的预测速度与准确率。

    一种自适应非重叠滑动窗口模型时间序列预测方法

    公开(公告)号:CN117349762A

    公开(公告)日:2024-01-05

    申请号:CN202311387319.X

    申请日:2023-10-25

    摘要: 本发明公开了一种自适应非重叠滑动窗口模型时间序列预测方法,首先模型从中读取先前的时间序列数据,并通过非重叠的固定大小滑动窗口将数据进行划分;然后使用LR、SVM、GPR、XGBoost和LightGBM方法,根据预测误差获得每个窗口的最佳预测方法;系统通过组合从每个滑动窗口获得的特征集来生成特征矩阵,将特征矩阵和每个滑动窗口的最佳预测方法组合,训练随机森林分类器;对于当前时间间隔t,系统获取前k个时间间隔的数据的特征矩阵,并使用训练好的随机森林来预测该特征矩阵的最佳方法。本发明提出的特征工程方法能够大大减少数据预处理时间,更为高效。