Input-Adaptive Dynamic Convolution-Augmented Transformer for Energy Demand Forecasting

Chunyan Yang

doi:10.3390/en19184289

Input-Adaptive Dynamic Convolution-Augmented Transformer for Energy Demand Forecasting

2026-09-10

0

OA

AI

DOI：10.3390/en19184289

原文链接

原文求助

摘要

En 中文

能源需求预测是可持续能源系统中的关键任务，其中非线性、时序动态和多变量因素带来了显著挑战。尽管深度学习方法取得了成功，但如何设计和优化深度学习算法以用于能源需求预测仍有待研究。为解决这些问题，我们提出了一种输入自适应的动态卷积增强Transformer。具体而言，设计了通道、相位和联合通道-相位嵌入以丰富特征表示。随后，开发了一个动态卷积模块，通过输入依赖的自适应注意力自适应地学习一维卷积核。所得特征进一步输入到Transformer编码器中进行能源需求预测。最后，采用高效的贝叶斯优化算法来自动设计和优化所提出的方法。在真实世界能源需求预测任务上的实验结果表明了所提出方法的有效性和实用性。

Keyword:

energy demand forecasting

joint channel–phase embeddings

input-adaptive dynamic convolution

transformer

Bayesian optimization

Input-Adaptive Dynamic Convolution-Augmented Transformer for Energy Demand Forecasting

摘要

期刊

机构

引用论文