基于深度学习模型的迁移学习:小数据情况下建筑负荷预测案例
本文探讨了在智能电网等关键基础设施中实现高效运营所需的精确电力负荷预测的问题,提出了基于深度学习模型应用于电力负荷预测问题的最新趋势,并通过实验评估了前馈神经网络、循环神经网络、序列到序列模型和时空卷积神经网络等多种深度学习模型在短期负荷预测方面的性能表现。
Jul, 2019
通过使用多个家庭的数据进行迁移学习,我们能够提高单个家庭负载预测的准确性和控制性能,进而降低能源成本并优化光伏系统和电池储存的利用。
Oct, 2023
研究了深度迁移学习技术在具有不足历史数据的交通预测中的表现,使用源域中的最佳模型进行目标域预测,结果表明,迁移学习可减少执行时间并提高模型的准确性。
May, 2022
电力消耗预测是确保电网性能和稳定性的关键,本文介绍了自动深度学习在负荷预测中的应用,并通过自动选择特征和优化网络架构和超参数,展示了能够超越现有方法的原创深度学习模型。
May, 2024
研究使用 Transformer 进行电力负荷预测,并测试转移学习策略的有效性,表明全局模型优于其他训练策略,使得 Transformer 在正确的策略下是有效的电力负载预测方法。
Jun, 2023
本文介绍了一种基于 Transformer 的深度学习方法,利用联邦学习进行短期电力负荷预测,模型的性能超过了长短时记忆模型和卷积神经网络,是联邦学习中值得期待的一个替代方案。
Oct, 2023
通过对 M3 和 M4 竞赛中的时间序列进行实验,比较了基于 TCN、LSTM 和 CNN 的深度学习模型和其他传统方法的性能预测。结果表明,使用迁移学习的深度学习模型往往优于传统方法;对于某些预测范围,直接在目标时间序列上训练的 TCN 和 LSTM 的表现与传统方法相当甚至更好。
Mar, 2022
本研究通过使用历史能源数据、占用模式和天气条件,引入了一种基于长短期记忆(LSTM)模型的建筑能源消耗预测方法。该 LSTM 模型对于住宅和商业建筑的短期、中期和长期能源预测相比现有的预测模型具有更高的准确性。通过与线性回归、决策树和随机森林等已有预测方法的比较,我们的 LSTM 模型在所有指标上表现出色,具有 0.97 的最高 R2 得分和 0.007 的最佳平均绝对误差(MAE)。我们的模型还具有在受限数据集上实现高效能源消耗预测的能力。通过在实际数据上的严格训练和评估,我们解决了过拟合(方差)和欠拟合(偏差)的问题。总结而言,我们的研究通过提供一种优于其他方法的、具有出色效率、普适性和可靠性的强大 LSTM 模型,为能源预测做出了贡献。
Sep, 2023
准确的负荷预测在许多领域起着重要作用,传统统计模型难以准确捕捉动态电力系统的复杂动力学。本文分析了最近开发的基于 Transformer 的神经网络模型在负荷预测中的效力,通过应用多种元启发式算法,并基于数值指标(均方误差和平均绝对百分比误差)比较各模型的性能,证明了元启发式增强的 Transformer-based 神经网络模型在负荷预测准确性方面的潜力,并提供了每个模型的最佳超参数。
Jul, 2023
短期负荷预测 (STLF) 对电网的日常运营至关重要。然而,电力需求时间序列的非线性、非平稳性和随机性使得 STLF 成为一项具有挑战性的任务。本研究通过考虑一组表示欧洲国家次日电力需求的 27 个时间序列,研究了一种名为迁移学习 (TL) 的特殊 STLF 情况下的性能。我们使用一种流行且易于实施的神经网络 (NN) 模型,并进行聚类分析以识别系列之间的相似模式并辅助 TL。在这个背景下,我们编译并比较了两种不同的 TL 方法,一种包括聚类步骤,一种不包括,并与传统的 NN 训练设置进行了比较。我们的结果表明,TL 可以胜过传统方法,特别是当考虑到聚类技术时。
Oct, 2023