返回
Short-term load forecasting by a hybrid attention scheme: Multi-feature attention and context awareness
10.1016/j.ijepes.2025.111065
2025-09-16
0
PRE
AI
摘要
En 中文
• 我们提出了一种多特征注意力（MFA）机制，该机制能够根据不同的输入-输出条件自适应地调整不同输入步骤的特征权重，从而增强模型的可训练性和灵活性。
• 我们采用了一种情境感知机制，通过评估情境信息与编码器输出的相关性来动态加权情境信息，从而提升关键信息的影响并提高模型预测的精度。
• 我们开发了一种新型负荷预测架构，称为MFACA，该架构在编码器-解码器结构中集成了MFA和情境感知层（CA）。该架构通过反向传播进行联合训练，显著提高了模型的鲁棒性。
• 通过使用来自实际电力负荷的各种数据集评估所开发模型的有效性，其结果一致表明，在各种预测条件下，该模型的预测性能均优于其他模型。
关键词:
Context awareness
Encoder–decoder architecture
Multi-feature attention
Short-term load forecasting
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
I
IF:
5
论文数: 1.0W
・
被引数: 3.1W
学者
F
Fang Su
H 指数:
0
论文数: 1
・
被引数: 0
H
Hao Tang
H 指数:
17
论文数: 191
・
被引数: 1.1K
S
Shengchun Yang
H 指数:
0
论文数: 1
・
被引数: 0
T
Tao Zhang
H 指数:
0
论文数: 1
・
被引数: 0
Q
Qi Tan
H 指数:
3
论文数: 8
・
被引数: 30
机构
H
hefei university of technology
学者数:
2.5W
论文数: 1.7W
・
被引数: 27
C
China Electric Power Research Institute
学者数:
609
论文数: 347
・
被引数: 1.4K
引用论文