文献类型：期刊文章

作　　者：刘洪笑[1] 向勉[1] 周丙涛[1] 段亚穷[1] 伏德粟[1]

LIU Hongxiao;XIANG Mian;ZHOU Bingtao;DUAN Yaqiong;FU Desu(School of Information Engineering,Hubei Minzu University,Enshi 445000,China)

机构地区：[1]湖北民族大学信息工程学院,湖北恩施445000

出　　处：《湖北民族大学学报（自然科学版）》

基　　金：2020年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).

年　　份：2021

卷　　号：39

期　　号：3

起止页码：326-331

语　　种：中文

收录情况：CAB、CAS、RCCSE、普通刊

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 neural 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]