基于TabNet-LSTNet的多特征短期负荷预测
作者机构:广东工业大学信息工程学院 广东浩迪创新科技有限公司
出 版 物:《重庆大学学报》 (Journal of Chongqing University)
年 卷 期:2024年第09期
页 面:129-140页
核心收录:
学科分类:12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 080802[工学-电力系统及其自动化] 0808[工学-电气工程] 08[工学] 081104[工学-模式识别与智能系统] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术(可授工学、理学学位)]
主 题:负荷预测 特征重要性 TabNet 自监督预训练 LSTNet
摘 要:为了挖掘负荷预测中不同输入特征的重要性,有效处理负荷数据中的线性成分和非线性成分,提高负荷预测的精度,提出一种基于TabNet和长期和短期时间序列网络(long and short-term temporal networks,LSTNet)的组合负荷预测模型。通过引入自监督预训练来提高TabNet的预测精度,通过训练得到输入特征的全局重要性和预测结果,然后把重要性高的特征输入到LSTNet训练得出预测结果,最后通过方差-协方差组合方法得出TabNet-LSTNet模型的预测结果。通过仿真分析,与传统的长短期记忆网络(long short-term memory,LSTM)、极端梯度提升机(extreme gradient boost,Xgboost)、轻量级梯度提升机(lignt gradient boosting machine,Lightgbm)和其他组合模型相比较,TabNet-LSTNet模型具有更高的精度。