基于TCN-BiLSTM-AM的居民住宅短期电力负荷预测

针对当前住宅短期电力负荷预测模型存在预测精度低和特征提取困难等问题,提出一种基于TCN-BiLSTMAM的住宅电力负荷预测模型。该模型主要由TCN模型和引入注意力机制层改进的BiLSTM模型组成。首先,通过在历史数据中使用负荷曲线技术计算特征变量的输入权重,以提高数据输入的准确度和关联性;然后,采用权重匹配的方法将数据序列化输入到TCN模型进行采样训练,提取更多不同时间尺度的特征并加快训练速度,同时,构建改进的BiLSTM模型,引入AM层以提高BiLSTM网络结构的运算速度和处理长序列数据的能力,从而提高模型的泛化能力和运算速度;接着,通过对训练好的TCN模型和改进的BiLSTM模型进行加权输出初始预测值,并利用遗传算法对预测值与真实值的偏差进行偏置寻优,得到优化权重并输出最终预测结果。最后,在同一公开数据集上与RNN、LSTM、BiLSTM和TCN等模型进行对比验证,结果表明,相比较其中较好的模型,文中提出的TCN-BiLSTM-AM模型在MAE和RMSE上分别降低了40.43%和35.59%,同时R2指标为0.9957,具有更高的预测精度和更好的稳定性。