基于Informer的长序列时间序列电力负荷预测

刘洪笑,向 勉,周丙涛,段亚穷,伏德粟

(湖北民族大学 信息工程学院,湖北 恩施 445000)

电力负荷预测其实是为了电力系统的准确运行和规划而提出的一个时间序列预测的问题,不仅要提高预测的电力负荷的精准度,而且要考虑预测的时间和模型运行时间的长短,做到这样才能实现更加高效的管理以及对能源的调度和更加及时的优化.电力负荷预测模型近几年得到了广泛的应用,Li等[1]通过压缩其子层(Transformer的基本构建块)来简化架构,并实现更高的并行性.Hsiao等[2]通过在音乐建模中使用更短的训练和推理时间生成了与Transformer-XL质量相当的完整钢琴曲.Liu等[3]去掉了暂停单元,提前估计所需深度,这产生了更快的深度自适应模型.Fu等[4]提出了一种基于对比学习的知识蒸馏方法LRC-BERT,从角距离方面拟合中间层的输出,这是现有蒸馏方法没有考虑的.李震等[5]通过数据驱动线性聚类的方法解决因负荷波动大而导致的预测精度低的问题,从而获得更加精准的预测结果.文献[6-8]提出了基于改进优化循环神经网络来短期的电力负荷预测的准确度.周哲韬等[9]提出了基于Transformer模型轴承RUL预测方法,利用了自注意力机制与编码器-解码器的结构优势,解决了预测序列过长的记忆力退化问题.李开卷[10]考虑了不同历史时段对组合权重值,对模型进行权重量化.王军[11]用人工神经网络的最小二乘支持向量机的方法与灰色预测法、人工神经网络预测法对比,证明了均方误……