Enhancing Microgrid Performance Prediction with Attention-based Deep Learning Models

这项研究旨在解决微电网系统的运行挑战，其特点是电力振荡最终导致电网不稳定。提出了一种综合策略，利用卷积和门控循环单元（GRU）层的优势。该方法旨在有效地从能源数据集中提取时间数据，以提高微电网行为预测的精度。此外，采用了注意力层来强调时间序列数据中的重要特征，优化预测过程。该框架以多层感知器（MLP）模型为基础，负责全面的负载预测和异常电网行为的识别。我们的方法使用微电网电价评估工具数据集进行了严格的评估，以均方根误差（RMSE）、平均绝对误差（MAE）和决定系数（r2-score）作为主要指标。该方法表现出了出色的性能，负载预测的MAE为0.39，RMSE为0.28，r2-score为98.89\%，近乎完美的零状态预测准确率（约为99.9\%）。相比支持向量回归和随机森林回归等传统机器学习模型，我们的模型简化的架构特别适合实时应用，从而促进更有效和可靠的微电网管理。

本论文旨在解决微电网系统中存在的功率振荡问题，这些问题最终会导致电网不稳定。同时，还试图提高微电网行为预测的精度，以及通过全面的负荷预测和异常电网行为识别来优化微电网管理。

论文提出了一种集成策略，利用卷积和门控循环单元（GRU）层的优势，有效地从能源数据集中提取时间数据，以提高微电网行为预测的精度。此外，还采用了注意力层来强调时间序列数据中的重要特征，优化预测过程。该框架由多层感知器（MLP）模型支撑，特别适用于实时应用，从而促进更有效和可靠的微电网管理。

该方法在微电网Tariff Assessment Tool数据集上经过了严格的评估，主要指标为均方根误差（RMSE）、平均绝对误差（MAE）和确定系数（r2-score）。该方法在负荷预测方面表现出色，MAE为0.39，RMSE为0.28，r2-score为98.89％，在零状态预测准确性方面接近完美（约99.9％）。相比于支持向量回归和随机森林回归等传统机器学习模型，该模型的简化架构特别适用于实时应用。

最近在这个领域中，还有一些相关研究。例如《Short-term load forecasting using deep learning: An analysis of different models and input data》和《A hybrid approach for short-term load forecasting in microgrids using machine learning and deep learning techniques》等等。