ConvLSTMNet-EMD：利用带自注意力机制的一维卷积编码器-解码器模型改进能源消耗预测

《Scientific Reports》：ConvLSTMNet-EMD: leveraging 1D-convolutional encoder-decoder model with self-attention mechanism for improved energy consumption forecasting

　　

摘要

为用户提供稳定、经济且可靠的能源是一项困难而复杂的任务。为了克服这些挑战，能源供应商依赖于精确的负荷预测，尤其是在需求高峰期。尽管现有的深度学习模型显示了潜在的结果，但它们往往难以准确预测峰值需求值。为了改善能源消耗预测，本文提出了 ConvLSTMNet-EMD，这是一个旨在提高短期负荷预测中峰值需求值精度的综合框架。所提出的框架将一维卷积编码器-解码器架构与长短期记忆网络（LSTM）相结合，以学习局部特征和全局时间依赖关系。接着，使用经验模态分解（EMD）将输入的时间序列数据分解为多个分量，通过分离与峰值相关的模式，从而有效捕捉突发的需求变化。此外，在一维编码器-解码器模型中使用自注意力机制（SAM）来动态强调信息丰富的时间步，通过最小化来自相关分解分量的信息损失。结果是，它增强了峰值需求行为和整体预测性能。实验结果表明，ConvLSTMNet-EMD 以均方根误差（RMSE）0.069 超越了当前模型，这比现有方法的 0.120 要低得多。