基于改进GAN模型的图像化短期负荷预测方法研究

为解决短期负荷预测中长序列预测精度不足的问题,提出一种基于改进GAN(生成对抗网络)模型进行短期负荷预测的方法。该模型以图像修复算法GAN为基础,结合通道、空间注意力机制和多尺度卷积进行图像修复。该模型将一维负荷序列编码为RGB图像。将图像化负荷序列中需要预测的部分进行mask处理,将序列预测问题转换为图像缺失像素的修复问题。将修复图像恢复为负荷序列,通过XGBoost(极限梯度提升树),结合气温、节假日、时刻等特征值进行修正。通过实际算例显示,所提出方法的MAPE为2.45%,与传统预测方法相比,在精度上为最优。