本文提出了一种利用文本新闻特征的长短期记忆网络(LSTM)来成功预测英国国家电力需求的确定性和概率任务。实验结果表明,带有文本特征的 LSTM 相对于纯 LSTM 基准模型改进了 3% 以上,相对于官方基准模型改进了近 10%。此外,该模型能够通过缩小置信区间和使预测分布更接近真实值来有效地降低预测的不确定性。
Sep, 2023
本文探讨了如何更好地利用新闻中包含的社会信息来理解能源需求方面的人口总体行为,并通过实验分析从国家新闻中提取的预测特征对日前电力需求预测的影响,实验结果表明最佳表现模型可将官方标准误差在 RMSE、MAE 和 SMAPE 方面降低约 4%、11% 和 10%,最佳表现方法包括确定 COVID-19 相关关键字的词频、识别流行病和内部政治新闻的主题分布,识别国际冲突新闻的全球词嵌入,为传统电力需求分析带来了新的视角并确认利用文本中的非结构化信息改进其预测的可行性,具有潜在的社会学和经济学影响。
Jan, 2023
该研究使用统计学和机器学习方法来预测国家电力需求,构建了一个完整的长、中、短期电力需求预测模型,其中跨度长的年度趋势采用宏观经济回归分析,中期模型采用温度和日历回归器,短期模型通过多个 ARMA 模型来捕捉小时级别的季节性,结果表明两年外部采样预测精度可达 96.83%。
Apr, 2023
利用数据驱动方法预测建筑能源需求的可预测性,不需先使用数据驱动的预测模型。
Nov, 2023
本文通过引入一种新的方法来模拟未来几个月至三年的逐小时分辨率下的电力价格,使我们能够提供概率预测,甚至在长期内检测价格剧烈波动的概率,从而解决当前长期电力价格预测困难的问题。
Mar, 2017
本研究探讨使用基于深度学习的模型(REDF)来预测能源需求,以提高可再生能源的整合,并与 Facebook Prophet 和支持向量回归等算法进行了比较,结果表明 REDF 模型能以 1.4% 的平均绝对误差准确预测能源需求。
本篇论文探讨通过时间序列预测和神经网络等方法,利用在线招聘广告的技能需求数据提高多技能需求的预测准确性。作者对多项世界信息技术业工作者的技能需求进行了分析,并比较了多元和单变量模型的性能。
May, 2022
该论文提出了一种新颖的通用方法,能够预测任意分位数,并应用于两种不同的神经网络结构,在短期电力需求预测任务中取得了最新的分布预测结果。
Apr, 2024
使用深度学习模型生成能源生产和负荷预测轨迹,以应对可再生能源在电力混合中的扩大所引起的电网变动性增加的问题。
本论文综合调查了深度学习在智能电网和需求响应中的应用,主要包括负载预测、状态估计、能量盗窃检测、能源共享与交易等方面,并提出了如何充分利用深度学习技术应对该领域中的重要问题和潜在方向。
Jan, 2021