提出了一种基于 Attention 机制的CNN -BiGRU（卷积神经网络+双向GRU+注意力机制）短期电力负荷预测方法，该方法将历史负荷数据作为输入，搭建由一维卷 积层和池化层等组成的 CNN 架构，提取反映负荷复杂动态变化的高维特征；将所提特征向量构造为时间序列形式作为 BiGRU 网络的输入，建模学习特征内部动态变化规律，并引入 Attention 机制通过映射加权和学习参数矩阵赋予 BiGRU 隐含 状态不同的权重，减少历史信息的丢失并加强重要信息的影响，最后完成短期负荷预测。最后与BP、BiGRU、BiGRU-Attention进行对比，验证方法有效性。相关原理可以看下面这个老哥的文章，我们和他的区别在于采用的BiGRU.

1、原理

CNN原理，自查。采用的是1维CNN

BiGRU原理，自查

注意力机制原理：

2，基于CNN-BiGRU-Attention的预测模型

3.实验结果

采用如图所示的负荷预测，基于滚动建模，采用前n时刻的值为输入，来预测n+1个时刻的负荷值，程序中n为96。基于tensorflow1.x框架搭建此网络

3.1 BP网络

3.2 BiGRU

3.3 BiGRU-Attention

3.4 CNN_BiGRU_Attention

3.5 对比

可见，本博客提出的方法精度最高

还有更多哦，链接见评论区：

1.双向LSTM注意力机制负荷预测
2.鲸鱼WOA优化双向LSTM注意力机制负荷预测tensorflow1.x
3.鲸鱼WOA优化双向LSTM注意力机制负荷预测tensorflow2.x.keras
4.基于注意力机制的 CNN-BiGRU 短期电力负荷预测方法tensorflow1.x
5.基于注意力机制的 CNN-BiGRU 短期电力负荷预测方法tensorflow2.x.keras