<?xml version="1.1" encoding="utf-8"?>
<article xsi:noNamespaceSchemaLocation="http://jats.nlm.nih.gov/publishing/1.1/xsd/JATS-journalpublishing1-mathml3.xsd" dtd-version="1.1" xmlns:xlink="http://www.w3.org/1999/xlink" xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"><front><journal-meta><journal-id journal-id-type="publisher-id">TACS</journal-id><journal-title-group><journal-title>Technology and Application of Computer Science</journal-title></journal-title-group><issn>2998-8926</issn><eissn>2998-8934</eissn><publisher><publisher-name>Art and Technology</publisher-name></publisher></journal-meta><article-meta><article-id pub-id-type="doi">10.61369/TACS.2026090018</article-id><article-categories><subj-group subj-group-type="heading"><subject>Article</subject></subj-group></article-categories><title>电子信息监测场景下格拉姆角场残差DNN 短时用电量智能预测系统设计</title><url>https://artdesignp.com/journal/TACS/3/9/10.61369/TACS.2026090018</url><author>任文凤</author><pub-date pub-type="publication-year"><year>2026</year></pub-date><volume>3</volume><issue>9</issue><history><date date-type="pub"><published-time>2026-05-14</published-time></date></history><abstract>我国电网用户类型具有多样性，用电需求复杂多变，使得传统方法预测的短时用电量缺乏准确性。对此，本文提出以格拉姆角场（GAF）和残差深度神经网络（Res-DNN）为基础的短时用电量智能预测方案。初始阶段由电子信息监测装置取得电力负荷时间序列信息，对数据作清洗、归一化处理；继而用格拉姆角场把单维用电量时间序列变换成二维特征图像，利用这种变换完整地表示时序特征及其时间依赖关系，避免一维神经网络在特征识别上有所遗漏；再设计带有残差结构的深度预测网络，借由残差跳转缓解深层网络训练困难、退化现象，提高所学深层特征的质量。对实际测量得到的电力数据做对照试验分析，结论是文中所提系统较传统LSTM、CNN 和一般DNN 模型而言，在平均绝对百分比误差（MAPE）上平均减少1 . 82%~3 . 56%，均方根误差（RMSE）亦有较大改善，因而预测更准确、更稳定，能较好地满足电子信息监测的实时用电量要求，对电力调度及能耗管制具有参考意义。</abstract><keywords>格拉姆角场,残差网络,深度神经网络,时序预测,短时用电量预测</keywords></article-meta></front><body/><back><ref-list><ref id="B1" content-type="article"><label>1</label><element-citation publication-type="journal"><p>[1] 赵强, 韩照亚. 基于CNN-LSTM 的智能电网用电量预测算法研究[J]. 计算机仿真,2025,42(11):191-195.[2] 臧润泽, 毛湘雲, 陈大云, 等. 基于格拉姆角场和ConvNe&amp;times;t 的复合电能质量扰动分类识别[J]. 电力设备管理,2025,(8):158-160.[3] 滕翔宇, 罗心仪, 周生奇, 等. 基于CNN-BiLSTM-CBAM 的波浪能发电功率短期预测模型研究[J]. 电气工程学报,2025,20(3):271-279.[4] 赵妍, 唐文石, 聂永辉, 等. 基于格拉姆角差场和卷积神经网络的宽频振荡分类方法[J].电网技术,2022,46(11):4364-4372.[5] 曾孟佳, 温柔, 施闰虎, 等. 基于最优化残差划分Markov 修正的城市用电量预测模型[J]. 智能城市,2024,10(2):49-53.[6] 崔杨, 朱晗, 王议坚, 等. 基于CNN-SAEDN-Res 的短期电力负荷预测方法[J]. 电力自动化设备,2024,44(4):164-170.[7] 孔祥玉, 马玉莹, 艾芊, 等. 新型电力系统多元用户的用电特征建模与用电负荷预测综述[J]. 电力系统自动化,2023,47(13):2-17.[8] 王立则, 谢东, 周立峰, 等. 基于Attention 机制和ResNet 的CNN-BiLSTM 短期电力负荷预测模型研究[J]. 南华大学学报( 自然科学版),2023,37(1):33-39+86.[9] 张淑清, 杜灵韵, 王册浩, 等. 基于格拉姆角场与改进CNN-ResNet 的风电功率预测方法 [J]. 电网技术,2023,47 (4):1540-1548.[10] ELAHE M F，JIN M，ZENG P.Review of load data analytics using deep learning in smart grids:open load datasets，methodologies，and application</p><pub-id pub-id-type="doi"/></element-citation></ref></ref-list></back></article>
