时间序列预测相关论文阅读（2）

基于聚类集合的EMD-CNN-BILSTM注意力机制短期电力负荷预测

模型框架

EMD-CNN-BILSTM

子模块及作用

经验模态分解 (EMD)：EMD方法用于将非平稳的电力负荷时间序列分解成多个本征模态函数（IMF）和一个残差分量（Res）。这种分解方式能够把不同频率的信号分开，适用于处理非线性和非平稳数据。

K-means聚类算法：对通过EMD分解后的本征模态函数（IMF）和残差分量进行聚类。K-means聚类算法将这些分量分类，使相似的分量合并，从而减少计算量并增强特征表现。

卷积神经网络 (CNN)：CNN主要用于提取序列数据的局部特征。卷积层和池化层交替使用，卷积层提取局部特征，池化层进行数据精简和过滤。

双向长短期记忆网络 (BiLSTM)：BiLSTM用于捕捉时间序列数据的长期依赖性。相比于传统的LSTM，BiLSTM通过同时考虑正向和反向的输入序列，提高了对历史数据的利用效率和预测准确度。

自注意力机制 (SAM)：自注意力机制通过计算序列中各元素之间的相关性，增强序列关键特征的表达能力。该机制帮助模型聚焦于序列中的重要特征，抑制无关特征的干扰。

集成原因

EMD分解和K均值聚类：通过分解和聚类，能够减少计算量和冗余特征，提高预测精度。尤其是，EMD通过自适应分解让数据变得更加平稳，适合进一步的深度学习处理。聚类算法在合适的k值下，不仅可以降低误差，还可以减少计算量。

CNN与BiLSTM的结合：CNN擅长从数据中提取局部特征，而BiLSTM能够捕捉到序列的长期依赖关系。将这两者结合使用可以提高特征提取的效果，并更好地利用时间序列信息。

自注意力机制：能够进一步增强CNN和BiLSTM提取到的特征，特别是在处理长距离依赖关系时，有助于提升模型的整体性能。

图表

不同聚类数下的模型预测精度及时间的对比

EMD分解结果

不同模型之间的预测曲线与真实数据之间的对比

横向误差对比

考虑储能的CEEMDAN-LSTM的工业园区短期负荷预测

模型框架

ceemdan-lstm

子模块及其作用

CEEMDAN:数据预处理。通过自适应白噪声的引入，解决了传统经验模态分解（EMD）中的模态混叠和重构噪声问题。

LSTM:LSTM负责对CEEMDAN分解后的每个模态进行时间序列预测。其强大的记忆能力能够捕获长时间序列中的依赖关系，尤其适合预测具有长时依赖的时间序列数据。

集成原因

集成CEEMDAN与LSTM：结合CEEMDAN的特征分解能力和LSTM的时序学习能力，模型能够更好地应对电力负荷时间序列中的非线性和非平稳性问题。CEEMDAN提供了更干净的模态信号，而LSTM则能够深入挖掘这些信号中的时间依赖关系，提高预测的稳定性和精度。

图表

原始数据与去躁之后的数据

ceemdan分解出的分量

不同预测起始点下，多种模型与真实数据之间的对比

模型评价结果对比

自注意力CNN-LSTM短期电力负荷预测

模型框架

cnn+lstm

子模块及其作用

CNN层：特征提取，能够从电力负荷数据中自动提取局部特征，提高模型对时间序列的局部信息捕捉能力。

LSTM层：负责捕捉时间序列中的长期依赖性，确保电力负荷预测能够理解长期的时间依赖关系。

自注意力机制：动态调整时间步权重，提升模型对重要时段（如高峰时段或低谷时段）的关注度，从而提高预测精度。

集成原因

CNN和LSTM结合：CNN用于提取局部特征，而LSTM则用于建模长期依赖。二者结合能够提升模型在短期电力负荷预测中的表现。

自注意力机制：由于电力负荷数据中存在一些关键时段，引入自注意力机制后，模型能够更加关注这些关键时间步，进一步提升预测精度。

图表

不同模型之间的结构对比

评估结果对比

不同模型与真实值之间对比