文件大小：1.07M
摘要：文章针对现有电力负荷预测方法未能充分捕获电力负荷数据的周期性和趋势性特性导致预测稳定性差的问题，提出了一种短期电力负荷预测模型PowerTimeMixer。首先，基于解耦思想对原始时间序列进行时序分解，并以多尺度方式学习时序的周期和趋势特性；其次，引入卷积下采样机制并通过网络参数共享来匹配循环周期，进一步增强电力负荷数据周期模式的特征提取能力；最后，采用独立的日期模式驱动预测模块，使用多层感知机对输入序列和目标序列时间戳特征进行编码，独立地学习时间戳特征，引导网络根据时间戳特征生成更稳定的预测结果。在电力负荷数据集上的实验结果表明，所提出的方法相比基准模型的预测误差显著降低，具有更稳定的预测性能，从而验证了方法的有效性。
文章目录
0 引言
1 PowerTimeMixer模型
1.1 时序分解模块
1.2 多尺度解耦及耦合模块
1.3 日期模式驱动预测模块
2 电力负荷数据分析
2.1 实验数据集
2.2 负荷数据分解
2.3 数据预处理
2.4 相关性分析
3 算例分析
3.1 实验基准方法与实验设置
3.2 模型参数设置
3.3 对比实验
3.4 消融实验
3.5 参数敏感性分析
3.6 结果可视化及分析
4 结语
