Short-Term Load Forecasting Using A Particle-Swarm Optimized Multi-Head Attention-Augmented CNN-LSTM Network

要約

短期負荷予測は、その固有の非線形で動的な性質を考慮すると、電力システムの効率的な運用と計画において最も重要です。
深層学習の最近の進歩は、この課題への対処において有望であることを示しています。
ただし、これらの方法では、多くの場合、ハイパーパラメーターの感度、解釈可能性の不透明さ、およびリアルタイム展開における高い計算オーバーヘッドに対処します。
この論文では、これらの障害を克服する新しいソリューションを提案します。
私たちのアプローチは、粒子群最適化アルゴリズムの力を利用して、ハイパーパラメーターを自律的に探索および最適化します。また、正確な予測に不可欠な顕著な特徴を識別するためのマルチヘッド アテンション メカニズム、および計算効率を高めるための合理化されたフレームワークを利用します。
私たちの手法は、本物の電力需要データセットを使用して厳密な評価を受けます。
この結果は、精度、堅牢性、計算効率の点でその優位性を強調しています。
特に、平均絶対パーセント誤差 1.9376 は、既存の最先端のアプローチに比べて大幅な進歩を示しており、短期負荷予測における新時代の到来を告げています。

要約(オリジナル)

Short-term load forecasting is of paramount importance in the efficient operation and planning of power systems, given its inherent non-linear and dynamic nature. Recent strides in deep learning have shown promise in addressing this challenge. However, these methods often grapple with hyperparameter sensitivity, opaqueness in interpretability, and high computational overhead for real-time deployment. In this paper, I propose a novel solution that surmounts these obstacles. Our approach harnesses the power of the Particle-Swarm Optimization algorithm to autonomously explore and optimize hyperparameters, a Multi-Head Attention mechanism to discern the salient features crucial for accurate forecasting, and a streamlined framework for computational efficiency. Our method undergoes rigorous evaluation using a genuine electricity demand dataset. The results underscore its superiority in terms of accuracy, robustness, and computational efficiency. Notably, our Mean Absolute Percentage Error of 1.9376 marks a significant advancement over existing state-of-the-art approaches, heralding a new era in short-term load forecasting.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google