程序员经验分享-hwhale

基于注意力机制的 CNN-BiGRU 短期电力负荷预测方法

2023-10-27
提出了一种基于 Attention 机制的CNN -BiGRU（卷积神经网络+双向GRU+注意力机制）短期电力负荷预测方法，该方法将历史负荷数据作为输入，搭建由一维卷 积层和池化层等组成的 CNN 架构，提取反映负荷复杂动态变化的高维特征；将所提特征向量构造为时间序列形式作为 BiGRU 网络的输入，建模学习特征内部动态变化规律，并引入 Attention 机制通过映射加权和学习参数矩阵赋予 BiGRU 隐含 状态不同的权重，减少历史信息的丢失并加强重要信息的影响，最后完成短期负荷预测。最后与BP、BiGRU、BiGRU-Attention进行对比，验证方法有效性。相关原理可以看下面这个老哥的文章，我们和他的区别在于采用的BiGRU.

1、原理

CNN原理，自查。采用的是1维CNN

BiGRU原理，自查

注意力机制原理：

2，基于CNN-BiGRU-Attention的预测模型

3.实验结果

采用如图所示的负荷预测，基于滚动建模，采用前n时刻的值为输入，来预测n+1个时刻的负荷值，程序中n为96。基于tensorflow1.x框架搭建此网络

3.1 BP网络

3.2 BiGRU

3.3 BiGRU-Attention

3.4 CNN_BiGRU_Attention

3.5 对比

可见，本博客提出的方法精度最高

还有更多哦，链接见评论区：

1.双向LSTM注意力机制负荷预测
2.鲸鱼WOA优化双向LSTM注意力机制负荷预测tensorflow1.x
3.鲸鱼WOA优化双向LSTM注意力机制负荷预测tensorflow2.x.keras
4.基于注意力机制的 CNN-BiGRU 短期电力负荷预测方法tensorflow1.x
5.基于注意力机制的 CNN-BiGRU 短期电力负荷预测方法tensorflow2.x.keras

本文内容由网友自发贡献，版权归原作者所有，本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容，请联系:hwhale#tublm.com(使用前将#替换为@)

负荷预测

深度学习

神经网络

基于注意力机制的 CNN-BiGRU 短期电力负荷预测方法 的相关文章

  • uniapp项目，HBuilderX真机调试之夜神模拟器

    第一步 夜神模拟器相关配置 1 去官网下载并安装夜神模拟器 2 安装完后 打开模拟器 然后依次找到 设置 gt 关于平板电脑 gt 版本号 连续点击3次 版本号选项 具体根据系统提示操作 然后返回上一页就可以看到开发者选项 开启了开发者模式

  • CentOS禁止Ping方法

    有时候根据需要 如防止攻击 Linux服务器管理员可限制服务器禁止其它用户Ping 同时又保证Linux服务器又可以Ping其它服务器 本文提供两种禁Ping方法 1 通过修改配置文件 这个方法需要ROOT权限 且设置成功后别人无法Ping

  • 密码学之欧拉函数

    最近在学习网易公开课上可汗学院现代密码学的课程 整理了一下自己的笔记 名词 概念 算术基本定理 任何一个数字有且只有一种质因数分解 例如 30 2 3 5 单向函数 正向结合很简单 反向分解很复杂 例如 两个质数相乘容易 将其合数分解很难

  • 块坐标下降法(Block Coodinate Descent)

    问题的描述 给定一个可微的凸函数 如果在某一点x 使得f x 在每一个坐标轴上都是最小值 那么f x 是不是一个全局的最小值 形式化的描述为 是不是对于所有的d i都有 这里的代表第i个标准基向量 答案为成立 这是因为 但是问题来了 如果对

  • mysql备份表的两种方法（数据迁移）

    mysql备份的两种方法 传输方式 单表传输 在数据量小的情况下一般采用insert的方法向备份表中插入数据 当源表的数据量过大时使用表空间的方式进行数据的迁移 第一种方法 针对表中数据量小的情况 1 使用源表的表结构建新的备份表 源表为t

  • 从Eclipse官网查找自己要的插件地址 来安装

    有时候 eclipse自带的应用市场 安装插件老是失败 此时可以试试官网的插件地址 进入eclipse官网 https www eclipse org 选择如图 Marketplace 输入你要查询的插件 点击下载图标 选择你对应的ecli

随机推荐

热门标签