公开(公告)号：CN114970711B

公开(公告)日：2024-09-06

申请号：CN202210569462.X

申请日：2022-05-24

Applicant: 华中科技大学

Inventor： 卢仁智 ,  白瑞昌

IPC: G06F18/241 ,  G06N3/0464 ,  G06N3/0455 ,  H02J3/00

Abstract: 本发明公开了一种基于Seq2Seq的电力负荷预测模型的构建方法及应用，属于电力负荷预测领域，包括：搭建电力负荷预测模型；最小化电力负荷预测模型预测得到的电力负荷序列与真实电力负荷序列之间的偏差以及最小化电力负荷预测模型的残差为目标，训练电力负荷预测模型；本发明所构建的电力负荷预测模型中的基本块通过残差连接，使得当前基本块无法学习到的信息可以递交到下游的基本块来学习，减轻了每一个基本块的负担，使得电力负荷序列中的时序信息能更充分的挖掘出来；另外，本发明将电力负荷预测模型最后的残差输出累加到损失函数中，提高了深度神经网络的可训练性和模型的收敛性；因此，本发明能够更加精确地对未来时间点下的电力负荷进行预测。

公开(公告)号：CN114970711A

公开(公告)日：2022-08-30

申请号：CN202210569462.X

申请日：2022-05-24

Applicant: 华中科技大学

Inventor： 卢仁智 ,  白瑞昌

IPC: G06K9/62 ,  G06N3/04 ,  H02J3/00

Abstract: 本发明公开了一种基于Seq2Seq的电力负荷预测模型的构建方法及应用，属于电力负荷预测领域，包括：搭建电力负荷预测模型；最小化电力负荷预测模型预测得到的电力负荷序列与真实电力负荷序列之间的偏差以及最小化电力负荷预测模型的残差为目标，训练电力负荷预测模型；本发明所构建的电力负荷预测模型中的基本块通过残差连接，使得当前基本块无法学习到的信息可以递交到下游的基本块来学习，减轻了每一个基本块的负担，使得电力负荷序列中的时序信息能更充分的挖掘出来；另外，本发明将电力负荷预测模型最后的残差输出累加到损失函数中，提高了深度神经网络的可训练性和模型的收敛性；因此，本发明能够更加精确地对未来时间点下的电力负荷进行预测。