基于多尺度时序卷积与Patch式Transformer的城市电力负荷预测OA
随着城市电力负荷快速增长且日趋复杂,如何提高电力负荷预测的精度与稳定性成为电力系统优化调度的关键问题。传统统计方法与机器学习方法在提取多尺度特征和刻画复杂非线性关系时存在明显不足。为此,提出了一种结合多尺度时序卷积网络(MSTCN)与Patch式Transformer(PatchTST)的复合预测模型。MSTCN负责提取电力负荷的不同时间尺度特征,PatchTST则用于建模长序列的全局依赖关系。基于城市居民负荷数据的实验结果表明,MSTCN-PatchTST模型在多项误差指标上均显著优于LSTM、GRU及原始的PatchTST,短期预测误差降低超过50%,中长期预测拟合度也明显增强。结果表明,该方法能够更好地捕捉城市电力负荷的快速波动与周期规律,为电力系统安全稳定运行和资源优化配置提供了有力支持。
胡夏波;权声凯;张健伟;石骏;李瞻宇;吴星宇;李陶
华润电力(湖北)销售有限公司,湖北武汉430060华润电力(湖北)销售有限公司,湖北武汉430060华润电力(湖北)销售有限公司,湖北武汉430060华润电力(湖北)销售有限公司,湖北武汉430060华润电力(湖北)销售有限公司,湖北武汉430060华润电力(湖北)销售有限公司,湖北武汉430060华润电力(湖北)销售有限公司,湖北武汉430060
信息技术与安全科学
负荷预测深度学习多尺度卷积Transformer模型复合预测模型
《湖北电力》 2025 (4)
P.101-110,10
评论