1. 金陵科技学院机电工程学院
2. 南京邮电大学自动化学院人工智能学院
纸质出版日期:2025
移动端阅览
吴兴扬, 戴剑丰. 基于多尺度自适应时空图卷积网络与BERT模型的多节点短期负荷预测[J]. 电网技术, 2025,(9):3756-3766.
吴兴扬, 戴剑丰. 基于多尺度自适应时空图卷积网络与BERT模型的多节点短期负荷预测[J]. 电网技术, 2025,(9):3756-3766. DOI: 10.13335/j.1000-3673.pst.2024.1895.
DOI:
“双碳”目标旨在推动能源转型与减排,新型电力系统作为关键,促进清洁能源接入与利用,减碳效果显著。但其多元化负荷结构增大了预测难度。为应对“双碳”要求,解决新型电力系统中多节点负荷预测的复杂时空依赖性和非线性问题,文章提出了一种基于多尺度自适应时空图卷积网络(adaptive spatio-temporal graph convolutional network
ASTGCN)与基于Transformer的双边编码器表示(bidirectional encoder representations from transformers
BERT)模型的多节点短期负荷预测方法。首先,采用Prophet算法对负荷数据进行拟合分解,获取不同尺度下的负荷数据分量,并与强相关的天气数据共同构建多元数据集;其次,引入可膨胀的滑动时空窗口和时空图卷积算子构建ASTGCN,同时捕捉空间和时间上的复杂依赖关系,并引入BERT模型对时间序列数据进行编码,利用其强大的处理能力来捕捉负荷数据中的长期依赖性;最后,用门控融合网络对两个模型进行融合。基于美国纽约州的公开数据集进行测试,单日和单周的测试结果均表明所提模型不仅能有效挖掘节点的耦合特性,还能补充挖掘中长期时序特征,并显著提升预测精度,降低预测误差。
李江,王义伟,魏超,张鹏.卡尔曼滤波理论在电力系统中的应用综述[J].电力系统保护与控制,2014(06).
麦鸿坤,肖坚红,吴熙辰,陈驰.基于R语言的负荷预测ARIMA模型并行化研究[J].电网技术,2015(11).
陈振宇,刘金波,李晨,季晓慧,李大鹏,黄运豪,狄方春,高兴宇,徐立中.基于LSTM与XGBoost组合模型的超短期电力负荷预测[J].电网技术,2020(02).
孙超,吕奇,朱思曈,郑薇,曹云飞,王俊.基于双层XGBoost算法考虑多特征影响的超短期电力负荷预测[J].高电压技术,2021(08).
朱凌建,荀子涵,王裕鑫,崔强,陈文义,娄俊超.基于CNN-Bi LSTM的短期电力负荷预测[J].电网技术,2021(11).
邹智,吴铁洲,张晓星,张智敏.基于贝叶斯优化CNN-BiGRU混合神经网络的短期负荷预测[J].高电压技术,2022(10).
张鹏飞,胡博,何金松,胡展硕,刘桁宇,刘育博.基于时空图卷积网络的短期空间负荷预测方法[J].电力系统自动化,2023(13).
李磊,林珊,贾颉辉.基于TCN-Attention神经网络的短期负荷预测[J].电力信息与通信技术,2023(03).
董雷,陈振平,韩富佳,王晓辉,蒲天骄.基于图卷积神经网络与K-means聚类的居民用户集群短期负荷预测[J].电网技术,2023(10).
韩富佳,王晓辉,乔骥,史梦洁,蒲天骄.基于人工智能技术的新型电力系统负荷预测研究综述[J].中国电机工程学报,2023(22).
王炜,冯斌,黄刚,刘祝平,籍雯媗,郭创新.基于自注意力编码器和深度神经网络的短期净负荷预测[J].中国电机工程学报,2023(23).
叶林,宫婷,宋旭日,罗雅迪,刘金波,於益军,李桐.基于波动类型精细划分与聚类的短期负荷预测[J].电网技术,2023(03).
赵紫昱,陈渊睿,陈霆威,刘俊峰,曾君.基于时空图注意力网络的超短期区域负荷预测[J].电力系统自动化,2024(12).
孟衡,张涛,王金,张晋源,李达,时光蕤.基于多尺度时空图卷积网络与Transformer融合的多节点短期电力负荷预测方法[J].电网技术,2024(10).
戴浩男,张辰灏,甄钊,王飞.基于时空特征聚类和双层动态图卷积网络建模的短期净负荷预测[J].高电压技术,2024(09).
王印松,吕率豪.基于改进时间卷积网络的微电网超短期负荷预测[J].太阳能学报,2024(06).
陈岩松,张乐,张雷瀚,吕学强.基于跨模态注意力和门控单元融合网络的多模态情感分析方法[J].数据分析与知识发现,2024(07).
0
浏览量
561
下载量
CSCD
关联资源
相关文章
相关作者
相关机构