基于Informer的长序列时间序列电力负荷预测

• 作者: 刘洪笑 向勉 周丙涛 段亚穷 伏德粟
• 来源期刊: 湖北民族大学学报（自然科学版）
• 关键词: Transformer模型 Informer模型 长期电力负荷预测 Pearson相关系数
• 年，卷（期）: 2021,（3）
• 所属期刊栏目: 物理学与电子技术|Physics and Electronic Technology
• 页码范围: 326-331
• 页数: 6页
• 分类号: TM715
• 语种: 中文
• DOI: 10.13501/j.cnki.42-1908/n.2021.09.015

摘要

针对长时间序列电力负荷的预测精度低的问题,应用了基于Informer长时间序列模型的电力负荷预测方法.该方法通过Informer模型中的自注意力蒸馏机制,使得每层的解码器都将输入序列的长度缩短一半,从而极大地节约了Encoder内存开销,并在编码器结构中使用生成式结构,使得预测解码时间极大的缩短;以澳大利亚的电力负荷数据作为测试用例,并与长短时记忆神经网络(long-short term memory,LSTM)和卷积神经网络(convolutional neu-ral network,CNN)模型方法进行对比,结果表明,Informer模型的预测精度更高,Pearson相关系数可以达到91.30％,有效提高了负荷预测精度.