4、超短期负荷预测与产品代码匹配技术研究

超短期负荷预测与产品代码匹配技术研究

超短期负荷预测实验

在超短期负荷预测领域，为了提升预测的准确性，研究人员进行了一系列实验。

数据选择

实验选用的数据来自比利时蒙斯大学，是 2016 年 1 月 11 日 7:00 至 5 月 27 日 18:00 比利时某电力用户的负荷数据，时间间隔为 10 分钟。除负荷数据外，数据集还包含与负荷密切相关的温度特征。考虑到负荷数据具有较强的日周期和周周期特性，研究选取预测点前一周的数据，即 1008 个数据作为输入。

评估方法

采用了三个评估指标，分别是平均绝对百分比误差（MAPE）、平均绝对误差（MAE）和均方根误差（RMSE），计算公式如下：
- (MAPE = \frac{1}{N}\sum_{t = 0}^{N}\frac{|\hat{y} i - y_i|}{y_i}×100\%)
- (MAE = \frac{1}{N}\sum {t = 0}^{N}|\hat{y} i - y_i|)
- (RMSE = \sqrt{\frac{1}{N}\sum {t = 0}^{N}(\hat{y}_i - y_i)^2})
其中，(N) 是预测数据集的长度，(\hat{y}_i) 和 (y_i) 分别表示时间 (i) 的预测值和真实值。

对比实验模型

为验证 VTGG 模型的性能，选取了多种对比模型，包括单一预测算法和组合预测模型：
1. 基于 CNN - GRU 注意力机制的模型 ：先使用 CNN - GRU 提取