基于Informer的长序列时间序列电力负荷预测
刘洪笑
向勉
周丙涛
段亚穷
伏德粟
湖北民族大学 信息工程学院,湖北 恩施445000
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.
关键词：Transformer模型Informer模型长期电力负荷预测Pearson相关系数
分类号：TM715(输配电工程、电力网及电力系统)
资助基金：硒食品营养与健康智能技术湖北省工程研究中心开放课题(PT082005)
论文发表日期：2021-09-20
在线出版日期：2025-08-15（本平台首次上网日期，不代表文献的发表时间）
页数：6( 326-331 )
英文信息