Short-term power load forecasting method based on CNN-SAEDN-Res

要約

深層学習では、非時間的要因を含む負荷データはシーケンス モデルで処理することが困難です。
この問題により、予測の精度が不十分になります。
したがって、畳み込みニューラルネットワーク(CNN)、セルフアテンションエンコーダ-デコーダネットワーク(SAEDN)および残差リファインメント(Res)に基づく短期負荷予測方法が提案される。
この方法では、特徴抽出モジュールは 2 次元畳み込みニューラル ネットワークで構成され、データ間の局所相関をマイニングして高次元データ特徴を取得するために使用されます。
初期負荷予測モジュールは、セルフアテンション エンコーダ/デコーダ ネットワークとフィードフォワード ニューラル ネットワーク (FFN) で構成されます。
このモジュールはセルフアテンション メカニズムを利用して高次元の特徴をエンコードします。
この操作により、データ間の大域的な相関関係を取得できます。
したがって、モデルは非時系列要素が混在するデータにおいて、データ間の結合関係に基づいて重要な情報を保持することができます。
次に、セルフ アテンション デコードが実行され、フィードフォワード ニューラル ネットワークが初期負荷の回帰に使用されます。
このペーパーでは、負荷最適化モジュールを構築するための残余メカニズムを紹介します。
モジュールは初期負荷を最適化するために残留負荷値を生成します。
シミュレーション結果は、提案した負荷予測手法が予測精度と予測安定性の点で利点があることを示しています。

要約(オリジナル)

In deep learning, the load data with non-temporal factors are difficult to process by sequence models. This problem results in insufficient precision of the prediction. Therefore, a short-term load forecasting method based on convolutional neural network (CNN), self-attention encoder-decoder network (SAEDN) and residual-refinement (Res) is proposed. In this method, feature extraction module is composed of a two-dimensional convolutional neural network, which is used to mine the local correlation between data and obtain high-dimensional data features. The initial load fore-casting module consists of a self-attention encoder-decoder network and a feedforward neural network (FFN). The module utilizes self-attention mechanisms to encode high-dimensional features. This operation can obtain the global correlation between data. Therefore, the model is able to retain important information based on the coupling relationship between the data in data mixed with non-time series factors. Then, self-attention decoding is per-formed and the feedforward neural network is used to regression initial load. This paper introduces the residual mechanism to build the load optimization module. The module generates residual load values to optimize the initial load. The simulation results show that the proposed load forecasting method has advantages in terms of prediction accuracy and prediction stability.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google