计算机工程

作者：耿贞伟, 李申章, 于凤荣

单位：1. 云南电网有限责任公司信息中心，云南 昆明 6502172. 昆明理工大学冶金与能源工程学院，云南 昆明 650093

关键词：多区域电力负荷预测,深度学习,门控多头时间卷积网络,双向长短期记忆网络,注意力机制

基金：国家自然科学基金(51869007); 云南省揭榜挂帅科技项目(202204BW050001)

准确的超短期、短期多区域电力负荷预测是实现电力系统快速响应和实时调度的关键。基于电网不同区域负荷的时空相关性，提出考虑空间关联的多区域电力负荷超短期、短期的单步和多步预测模型。该模型集成门控多头时间卷积网络(GMTCN)、双向长短期记忆(BiLSTM)网络和注意力机制(Attention)，记为GMTCN-BiLSTM-Attention。首先，采用Spearman相关系数分析不同区域电力负荷空间关联，将15个区域的负荷序列组成多元时间序列作为输入。然后，采用GMTCN和BiLSTM获取不同负荷序列的时序特征和时空依赖，并通过Attention机制赋予重要特征更高的权重，忽略不重要的信息，以提高模型的鲁棒性。在2个数据集上的实验结果表明，不同区域变压器的负荷之间存在时空相关性，提出的模型能够有效获取负荷序列以及负荷序列之间的时空依赖，同时实现对多区域的超短期和短期负荷进行单步和多步预测。与其他深度学习模型相比，具有更优的预测性能、更强的鲁棒性和泛化性。

来源：2025年第10期

《计算机工程》期刊编辑部

查看计算机工程杂志2025年第10期