结合LSTM和自注意力机制的图卷积网络短期电力负荷预测.pdfVIP

JournalofComputerApplicationsISSN1001⁃90812024⁃01⁃10

计算机应用,2024,44(1):311-317CODENJYIIDUhttp：//www.joca.cn

文章编号：1001-9081（2024）01-0311-07DOI：10.11772/j.issn.1001-9081.2023010078

结合LSTM和自注意力机制的图卷积网络短期电力负荷预测

史含笑，王雷春*

（湖北大学计算机与信息工程学院，武汉430062）

（∗通信作者电子邮hubu.edu.cn）

摘要：针对现有电力负荷预测模型建模工作量大、时空联合表征不足、预测精度低等问题，提出了一种结合长短

期记忆（LSTM）网络和自注意力机制的图卷积网络（GCN）的短期电力负荷预测模型GCNLS-STLF。首先，利用LSTM

和自注意力机制将原始多维时间序列数据转化为包含序列间关联关系的电力负荷图；然后，通过GCN、LSTM和图傅

里叶变换（GFT）对电力负荷图进行特征提取；最后，使用全连接层对特征进行重构，并利用残差进行多次预测，以增强

原始电力负荷数据的表达能力。在摩洛哥与巴拿马某电站的真实历史电力负荷数据上进行的短期电力负荷预测实

验结果显示，与支持向量机（SVM）、LSTM、混合模型CNN-LSTM和基于注意力的CNN-LSTM（CNN-LSTM-attention）等

预测模型相比，GCNLS-STLF在摩洛哥全部电力负荷测试集上的平均绝对百分比误差（MAPE）分别降低1.94、0.90、

0.49和0.37个百分点；在巴拿马电力负荷测试集上的3月份MAPE分别降低1.39、0.94、0.38和0.29个百分点，6月

份MAPE分别降低1.40、0.99、0.35和0.28个百分点。实验结果表明，GCNLS-STLF能有效提取电力负荷的关键特

征，预测效果较好。

关键词：短期电力负荷预测；图卷积网络；图傅里叶变换；长短期记忆网络；自注意力机制

中图分类号：TP391文献标志码：A

Short-termpowerloadforecastingby

graphconvolutionalnetworkcombiningLSTMandself-attentionmechanism

SHIHanxiao，WANGLeichun*

（SchoolofComputerScienceandInformationEngineering，HubeiUniversity，WuhanHubei430062，China）

Abstract:Aimingattheproblemsoftheexistingpowerloadforecastingmodelssuchasheavymodelingworkload，

insufficientspatiotemporaljointrepresentation，andlowforecastingaccuracy，aShort-TermpowerLoadForecastingmodel

basedonGraph