基于CNN-BIGRU-Attention模型的功率预测（模型详解及代码复现）

整体架构

基于CNN - BiGRU - Attention模型的功率预测模型是一种融合了卷积神经网络(CNN)、双向门控循环单元(BiGRU)和注意力机制(Attention)的深度学习架构。这种混合模型旨在充分利用CNN的局部特征提取能力、BiGRU的长序列处理能力以及Attention机制的关键特征突出能力，从而提高功率预测的准确性和可靠性。

模型的整体架构主要包括以下几个关键组件：

1. 输入层 ：

   • 设计的输入特征向量维度为6×101，包括96个时刻的电力负荷数据以及相对应的5种天气数据（最高温度、最低温度、平均温度、相对湿度和降雨量）。

2. CNN层 ：

   • 由两个一维卷积层和一个池化层组成。

   • 卷积核数量：第一个卷积层为32个，第二个卷积层为64个。

   • 卷积核大小：均为2。

   • 步长：1。

   • 激活函数：ReLU函数。

   • 池化方式：最大池化，池化大小为2，步长为1。

3. BiGRU层 ：