| Abstrakt: |
Im täglichen Stadtbetrieb sollte die Stromversorgung unterbrechungsfrei sein, was das moderne Energiemanagement vor Herausforderungen stellt. Die Prognose des Energiebedarfs kann die Strategie des Energiemanagements optimieren und die Energieeffizienz verbessern. Das traditionelle LSTM-Modell, das auf einer Codierungs-Decodierungs-Struktur basiert, codiert alle historischen Informationen als Vektor fester Länge, was zum Informationsverlust führt, wenn der vorhergesagte Wert von den Merkmalen abhängt die weit in der Vergangenheit liegen. Dies ist bei Energieprognosen aufgrund der Periodizität des Energieverbrauchs üblich. Um das oben genannte Problem zu lösen und das Potenzial der Betriebsdaten von Kraftwerken für Energievorhersagen vollständig auszuschöpfen, wird in diesem Artikel ein Energievorhersagemodell vorgeschlagen, das auf dem Aufmerksamkeitsmechanismus basiert. Ausgehend von der traditionellen Codierungs-Decodierungs-Architektur wird der räumliche und zeitliche Aufmerksamkeitsmechanismus eingeführt, um die räumlichen und zeitlichen Eigenschaften, die für den vorhergesagten Wert am relevantesten sind, adaptiv auszuwählen. Die experimentellen Ergebnisse zeigen, dass bei der Vorhersage des Strombedarfs von Shanghai für die nächsten 100 Tage, der Fehler des Hybridmodells 25,8 % niedriger ist als der des traditionellen LSTM-Modells. Darüber hinaus zeigt der Fehlertrend des Hybridmodells im Laufe der Zeit auch eine stärkere Stabilität als das herkömmliche Modell. In the daily operation of the city, the power supply should be non-interruptible, which brings challenges to the modern power management. Energy demand forecasting can optimize the strategy of power management and improve energy efficiency. The traditional Long Short-Term Memory model, based on the encoding-decoding structure, encodes all the historical information as a fixed-length vector, which will lead to the loss of information when the predicted value depends on the features of a long time ago. This is common in energy forecasting because of the periodicity of energy consumption. To solve the above problem and to fully realize the potential of the operational data from power plants in energy predictions, this paper proposes an energy prediction model based on the attention mechanism. Based on the traditional encoding-decoding architecture, the spatial- and temporal-attention mechanism is introduced to adaptively select the spatial and temporal characteristics most relevant to the predicted value. The experimental results show that the error of the hybrid model is 25.8 % lower than that of the traditional LSTM model when predicting the power demand of Shanghai in the next 100 days. In addition, the trend of the error of the hybrid model over time also shows stronger stability than the traditional model. [ABSTRACT FROM AUTHOR] |
