A deep LSTM‐CNN based on self‐attention mechanism with input data reduction for short‐term load forecasting
Notice bibliographique
Résumé
Abstract Numerous studies on short‐term load forecasting (STLF) have used feature extraction methods to increase the model's accuracy by incorporating multidimensional features containing time, weather and distance information. However, less attention has been paid to the input data size and output dimensions in STLF. To address these two issues, an STLF model is proposed based on output dimensions using only load data. First, the load data's long‐term behavior (trend and seasonality) is extracted through the long short‐term memory network (LSTM), followed by convolution to obtain the load data's non‐stationarity. Then, using the self‐attention mechanism (SAM), the crucial input load information is emphasized in the forecasting process. The calculation example shows that the proposed algorithm outperforms LSTM, LSTM‐based SAM, and CNN‐GRU‐based SAM by more than 10% in eight different buildings, demonstrating its suitability for forecasting with only load data. Additionally, compared to earlier research utilizing two well‐known public data sets, the MAPE is optimized by 2.2% and 5%, respectively. Also, the method has good prediction accuracy for a wide variety of time granularities and load aggregation levels, so it can be applied to various load forecasting scenarios and has good reference significance for load forecasting instrumentation.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».