Short-term Load Forecasting Method for Optimizing ETSformer based on the COA Algorithm

doi:10.2174/0123520965369669250411071016

Short-term Load Forecasting Method for Optimizing ETSformer based on the COA Algorithm

2026-01-01

0

PRE

AI

DOI：10.2174/0123520965369669250411071016

原文链接

原文求助

摘要

En 中文

引言短期电力负荷的准确预测是保障电力系统安全经济运行的关键因素。为提升电力系统短期负荷预测的准确性，本文提出了一种基于COA算法优化ETSformer模型的新型预测方法。方法首先，利用XGBoost算法计算特征间的相关性，并定量分析气象数据对负荷序列的具体影响，从而筛选出高相关性特征，提高预测精度。其次，将筛选后的特征数据输入ETSformer模型进行训练和预测，通过引入指数平滑注意力（ESA）机制和频率注意力（FA）机制，实现高效准确的短期负荷预测。最后，采用COA算法优化ETSformer模型的超参数，进一步提升了预测精度。结果与ARIMA和BiLSTM等基线模型对比分析表明，本文提出的模型在短期负荷预测任务中表现出更优性能。尤其与ARIMA模型相比，该模型使MAE、RMSE和MAPE等关键指标分别降低了44.6%、58.85%和10.91%。讨论本文提出的方法在短期负荷预测领域展现出强大性能，解决了传统点预测方法在实际应用中的局限性，并克服了手动参数调优及常规优化算法处理高维数据时的挑战，避免了局部最优。因此，该方法为短期负荷预测提供了高效实用的解决方案。结论本研究证实ETSformer模型在短期负荷预测任务中表现优异。通过整合XGBoost进行特征选择，有效缓解了低相关性特征对预测过程的干扰；同时，采用COA算法优化模型超参数显著提升了预测精度。相较于其他基线模型，本文提出的模型在短期负荷预测任务中实现了更优性能。

Keyword:

Short-term load forecasting

ETSformer

COA optimization

machine learning

hyperparameter optimization

neural network

Short-term Load Forecasting Method for Optimizing ETSformer based on the COA Algorithm

摘要

期刊

机构

引用论文