通过对大量新闻语料库进行自然语言处理，本研究探讨了能源需求与社会其他方面的联系，并发现军事冲突、交通运输、全球大流行、地区经济和国际能源市场等因素与电力需求有关。此外，研究还发现在英国的五个地区，经济指标对于东米德兰兹和北爱尔兰而言更为重要，而社会指标对于西米德兰兹和英格兰西南部更为有用。此外，利用这些指标可以提高预测性能最多达到 9%。

Jun, 2024

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

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

通过开发机器和深度学习的 “后向预测” 模型，重建多十年需求记录，研究温度的自然变化以及其对需求的影响，以更好地支持电力系统技术和政策的发展过程。

Sep, 2022

准确的负荷预测对电力系统的高效可靠运行至关重要。本文开发了几种机器学习模型，将各种时间和天气信息作为输入特征，用于预测短期系统总负荷。通过对不同天气因素对预测准确性的影响进行剔除研究，并通过对同一地区的实际负荷和历史天气数据进行训练，证明了采用不同天气和时间输入特征训练的机器学习模型在 ERCOT 负荷预测中的有效性。

Oct, 2023

通过使用语言模型进行能量负荷预测，本文提出了一种新颖的方法，通过利用教导技术将能量消耗数据转化为描述性的句子，实现语言模型的微调，并采用自回归生成方法，能够对未来能量负荷消耗的各种时间段进行预测。通过对真实数据集的大量实验，我们证明了我们提出方法的有效性和准确性。结果表明，利用语言模型进行能量负荷预测有望提高能源效率，并促进能源系统的智能决策。

Oct, 2023

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

HYENA 是一种混合预测模型，结合了特征工程、移动窗口预测器和 LSTM 编码器解码器，用于准确预测英国电力市场的负荷与价格，相较于以往模型可以减少 16% 的 MAPE 损失和 10% 的 RMSE 损失。

May, 2022

本文使用元回归分析方法对电力负荷短期预测精度的影响因素进行了研究，发现预测方法、预测粒度和预测时间步长对 MAPE 的影响较大，本文最终确定 LSTM 方法和神经网络与其他方法的组合是最佳预测方法，同时也提出了在负荷预测领域中需要进一步进行实证分析的观点。

May, 2023

通过 Twitter 上用户表达的情感，使用 TF-IDF 方法在英国和印度的数据集上分析了电力价格的影响，并使用朴素贝叶斯，决策树，随机森林，逻辑回归四种分类算法分析其性能以及准确度、精确度等参数。

Jun, 2022