.png){kind=icon}
返回
Short-term multi-regional load forecasting considering dynamic spatial features with missing data
.png){kind=icon}
PRE
AI
DOI：10.1016/j.enbuild.2025.116450.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
准确的多区域负荷预测是确保电网稳定运行和提高电力系统经济调度效率的核心要求。然而，在实际中实现准确的多区域负荷预测面临两大挑战。首先，由于设备故障、网络拥塞和运行错误，数据频繁缺失。其次，建模区域负荷之间的复杂动态空间依赖关系具有挑战性。为解决这些挑战，本文提出了一种基于因果自注意力机制和多头图注意力网络（GAT）的短期多区域负荷预测方法。具体而言，基于因果自注意力机制（CSAM）构建了缺失数据重构模块，通过时间序列因果推断重构缺失数据并确保特征分布的一致性。随后，离散小波变换（DWT）将多区域负荷数据转换到时频域，通过多尺度分解增强瞬时特征表示。动态空间特征提取模块随后采用多头图注意力网络，通过自适应聚合邻域信息来捕捉动态空间依赖关系。最后，使用纽约独立系统运营商（NYISO）的真实多区域负荷数据进行实验验证该方法。实验结果表明，与几种主流模型的预测结果相比，MAE、RMSE和MAPE平均降低了22.96%、23.02%和20.66%。这证明了本文提出的模型在多区域负荷预测方面的优越性。
Keyword:
Multi-Region Load Forecasting
Missing Data
Multi-Scale Features
Dynamic spatial dependencies
期刊
IF:
7.1
论文数:
1.6W
被引数:
6.8W
机构
暂无机构信息
引用论文
Short-Term Electrical Load Forecasting Using an Enhanced Extreme Learning Machine Based on the Improved Dwarf Mongoose Optimization Algorithm.png)
Symmetry
OAAI
SymmetryIF0
OAAI分享收藏Z. Long et al., “Parallel Spatial-Temporal Graph Attention Network for Short Term Multi-Sequence Load Forecasting,” IEEE Transactions on Power Delivery, vol. 40, no. 3, pp. 1244-1253, June 2025,Z. Long等人, “用于短期多序列负荷预测的并行时空图注意力网络,” IEEE Transactions on Power Delivery, 卷40, 期3, 页码1244-1253, 2025年6月,
IF0
PREAI
分享收藏Data Augmentation Technique Based on Improved Time-Series Generative Adversarial Networks for Power Load Forecasting in Recirculating Aquaculture SystemsSUSTAINABILITYOAAI
SUSTAINABILITYIF3.3
OAAI分享收藏Advances in Deep Learning Techniques for Short-term Energy Load Forecasting Applications: A Review
PREAI
分享收藏
查看更多内容