深度学习用于负荷预测：带注意力机制的序列到序列递归神经网络

全球变暖的最大贡献者是能源生产和使用。此外，电动汽车和其他经济发展的推动预计将进一步增加能量使用。为应对这些挑战，电力负荷预测至关重要，因为它支持能源生产规划和调度，协助预算并帮助识别节约机会。常用于能源预测的机器学习方法，如前馈神经网络和支持向量回归，在捕捉时间依赖性方面存在挑战。因此，本文提出了一种带有注意力机制的序列到序列递归神经网络（S2S RNN）用于电力负荷预测。来自语言翻译的S2S架构被调整用于负荷预测，并设计了相应的样本生成方法。RNN能够捕捉负荷数据中存在的时间依赖性，S2S模型通过结合两个RNN：编码器和解码器，进一步改善时间建模。注意力机制减轻了连接编码器和解码器的负担。实验评估了具有不同RNN单元（基础版、LSTM和GRU）和不同时间范围的注意力机制。结果表明，具有Bahdanau注意力机制的S2S模型优于其他模型。准确性随着预测范围的增加而降低；然而，较长的输入序列并不总是提高准确性.