独家原创！基于特征—时间双图注意力与BiGRU全局注意力并行融合的高创新预测模型

往期精彩内容：

前言

本期提出一种面向电力变压器油温预测的并行图注意力双向门控循环网络模型，即 ParallelGATBiGRUAttention。该模型以历史多变量监测序列为输入，分别构建

特征导向图注意力分支（Feature-oriented Graph Attention）
时间导向图注意力分支（Time-oriented Graph Attention）
双向GRU全局注意力分支（BiGRU-Global Attention）

从变量依赖、时间依赖和双向时序动态三个角度并行提取油温变化特征。本文详细设计模型架构、实现细节及实验验证，对变压器运行态势监测及智能维护具有重要指导意义。融合变量图依赖、时间图依赖和双向时序注意力表示，有助于提升预测模型对复杂状态的表征能力和泛化性能，也适用其他时间序列预测任务！（适用电力负荷、风速、气候等时间序列预测任务）

我们同时提供详细的资料、解说文档和视频讲解，包括如何替换自己的数据集、参数调整教程等，代码逐行注释，参数介绍详细：

● 数据集：电力变压器油温数据集

● 环境框架：python 3.11 pytorch 2.1 及其以上版本均可运行

● 模型分数：测试集 0.98

● 使用对象：论文需求、毕业设计需求者

● 代码保证：代码注释详细、即拿即可跑通。

1 创新模型介绍

1.1 总体架构设计

在模型结构上，特征导向图注意力分支将每个监测变量视为图节点，通过自适应注意力权重学习不同变量之间的隐含关联；时间导向图注意力分支将滑动窗口内的各时间步视为图节点，用于捕获非相邻时刻之间的动态依赖；BiGRU全局注意力分支则利用双向门控循环单元提取前后时序上下文，并通过全局注意力机制强化关键时间片段的贡献。三路分支输出后在特征维度进行拼接融合，并通过线性预测层输出未来时刻油温预测值。

1.2 分支一：Feature GAT

不同特征之间，谁和谁关系更强？

例如：

风速和气压可能关系强
风速和湿度也可能有关系
某些特征是冗余的

这一路把"特征"当作图的节点，学"变量和变量之间的关系"。

1.3 分支二：Time GAT

在一个时间窗口里，哪些时刻更重要？

例如用过去 24 小时预测下一小时风速：

也许最近 1 小时最重要
也许 24 小时前的同一时刻也很重要
也许某几个突变时刻贡献很大

这一路把"时间步"当作图的节点，学"时刻和时刻之间的关系"。

1.4 BiGRU-Attention分支

多特征序列数据同时通过基于GlobalAttention优化的BiGRU网络,GlobalAttention是一种用于加强模型对输入序列不同部分的关注程度的机制。在 BiGRU 模型中，全局注意力机制可以帮助模型更好地聚焦于输入序列中最相关的部分，从而提高模型的性能和泛化能力。在每个时间步，全局注意力机制计算一个权重向量，表示模型对输入序列各个部分的关注程度，然后将这些权重应用于 BiGRU 输出的特征表示，通过对所有位置的特征进行加权，使模型能够更有针对性地关注重要的时域特征, 提高了模型对多特征序列时域特征的感知能力。

3 电力变压器数据集介绍

3.1 导入数据

3.2 数据集制作与预处理

详细介绍见提供的文档！

3 基于GAT-BiGRUAttention的并行预测模型

3.1 定义GAT-BiGRUAttention的并行预测网络模型

3.2 设置参数，训练模型

GAT-BiGRUAttention预测效果显著，模型构建的 Feature-oriented GAT、Time-oriented GAT 和 BiGRU-Global Attention 三分支并行结构，从变量依赖、时间依赖和双向时序动态三个方面提取油温变化特征。收敛速度快，性能优越，预测精度高，适当调整模型参数，还可以进一步提高模型预测表现。