基于TabNet-LSTNet的多特征短期负荷预测

作     者：吴文辉 何家峰 蔡高琰 骆德汉 

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）] 

基　　金：国家自然科学基金资助项目(61571140)~~ 

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。