BriefGPT - AI 论文速递
·
基于注意力机制的多源数据电力负荷预测方法
💡
原文中文，约300字，阅读约需1分钟。
📝
内容提要
本文介绍了一种可解释的深度学习方法用于电力负荷预测。通过神经网络学习时间特征的线性组合，并使用多尺度时序分解处理复杂时间模式。在比利时电网数据集上的实验表明，该模型比传统模型更准确，并能解释特征和时间模式的重要性，揭示负荷数据的趋势和周期性。
🎯
关键要点
- 机器学习和深度学习在电力负荷预测中取得了广泛成果。
- 提出了一种可解释的深度学习方法，通过学习神经网络对输入时间特征的线性组合。
- 采用多尺度时序分解方法处理复杂时间模式。
- 在比利时中央电网负荷数据集上进行案例研究，模型准确性优于传统基准模型。
- 该方法展示了特征的解释性和时间解释性，揭示负荷数据的整体模式、趋势和周期性。
- 强调了与时间相关的特征在最终输出中的重要性。
➡️
