一种基于深度学习的新型多步骤短期电力系统预测模型

《IEEE Transactions on Power Systems》：A Novel Multi-Step Short-Term Power Forecasting Model for Electric Power Systems Based on Deep-Learning

负荷预测与可再生能源预测对新型电力系统优化至关重要，本文提出Transformer-BiLSTM-Patch模型，通过Patch嵌入实现段间注意力机制提升局部趋势捕捉，去除解码mask机制以全时序信息利用，并整合BiLSTM增强时序特征提取。

　　

摘要：

负荷预测和可再生能源预测对于新电力系统的优化和调度至关重要，这些系统在确保系统的安全、稳定和经济运行方面发挥着关键作用。本文提出了一种基于Transformer-BiLSTM-Patch的短期预测模型，以满足负荷和可再生能源的短期预测需求。该模型设计了Patch Embedding机制，将传统的点对点交互方式改进为段对段交互方式，从而能够捕捉局部趋势。在解码阶段，该模型取消了掩码机制，充分利用了整个时间序列的信息，这在已知未来时间步辅助变量（如天气预报数据）的情况下尤为有效。此外，BiLSTM被集成到解码器中，进一步增强了模型挖掘时间特征的能力。最后，在多个数据集上进行的对比测试表明，所提出的模型显著提高了Transformer模型在时间序列预测方面的性能。

引言

近年来，全球能源结构正在发生深刻变革。太阳能和风能等可再生能源得到了广泛应用。新的电力系统是在传统电力系统的基础上，通过技术创新和体制机制改革形成的。它主要由高比例的可再生能源构成，以满足用户的电力需求。该系统的特点是清洁、低碳、安全、高效，并且具有智能调节功能[1]。