基于Bootstrap误差修正的电力负荷短期预测深度学习模型Deep learning model for short-term power load prediction based on Bootstrap error correction
张宇晨,姜雪松,李春伟,刘森
摘要(Abstract)：
针对负荷数据非线性、强波动性等特点导致数据规律性较弱电力负荷预测模型不准确的问题，构建基于Bootstrap误差修正的TCN-WOA-Bi LSTM-Attention电力负荷短期预测模型。使用时序卷积神经网络（TCN）提取时序特征并通过注意力机制（Attention机制）对特征突出重要信息贡献度，通过鲸鱼优化算法（WOA）寻找双向长短时记忆（Bi LSTM）神经网络最优超参数以减少人工搜索超参数的负面影响后进行预测；基于Bootstrap分析预测区间误差分布，通过覆盖率（PICP）是否低于对应置信度判断对预测结果进行修正的必要性，并选取合理修正范围。仿真结果表明，基于Bootstrap方法进行误差修正避免了修正不足及修正过度的问题，对比将误差序列全部修正的方法更具有科学性，能最大程度提高模型预测精度。
关键词(KeyWords)： 电力负荷短期预测;Bootstrap;误差修正;时序卷积神经网络;鲸鱼优化算法
基金项目(Foundation):
作者(Author): 张宇晨,姜雪松,李春伟,刘森
DOI: 10.19666/j.rlfd.202211272