短中期电力需求的遮蔽多步骤概率预测

Feb, 2023

短中期电力需求的遮蔽多步骤概率预测

Masked Multi-Step Probabilistic Forecasting for Short-to-Mid-Term Electricity Demand

Yiwei Fu, Nurali Virani, Honggang Wang

TL;DR本研究提出了 Masked Multi-Step Multivariate Probabilistic Forecasting （MMMPF）框架，通过结合过去的时间信息和未来的已知信息来进行概率预测，以训练任何能够生成输出序列的神经网络模型，用于短期和中期的多区域电力需求预测，并通过各种机器学习方法进行比较验证，结果表明提出的 MMMPF 框架不仅优于基于样本的方法，还优于现有时间序列预测模型。使用 MMMPF 训练的模型还可以生成期望分位数以捕获不确定性，并实现未来电网的概率规划。

Abstract

Predicting the demand for electricity with uncertainty helps in planning and operation of the grid to provide reliable supply of power to the consumers. machine learning (ML)-based demand forecasting approaches can be categorized into (1) sample-based approaches, where each forecast is

electricity demand forecasting machine learning masked multi-step multivariate probabilistic forecasting neural network probabilistic planning

发现论文，激发创造

带未来信息的掩码多步多元时间序列预测

本文介绍了一种名为 MMM 的新型神经网络的自主学习框架，能够结合过去的时间信息和未来的已知信息进行时间序列预测，实验表明这种方法不仅胜过传统的基于样本或回归的方法，而且训练出的神经网络的推理速度与传统回归训练的时间序列预测模型相当，因此是一种比现有回归训练的时间序列预测模型更好的选择。

Sep, 2022

短期电力需求的任意分位数概率预测

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

基于混合统计和机器学习算法的电力需求预测：以乌克兰为例

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

基于在线确定性神经网络集成的日前电力价格概率预测

我们提出了一种基于合规推理的新方法来进行概率电价预测 (PEPF)，通过在线重新校准程序，在多个市场地区进行实验，实现了具有改进小时覆盖率和稳定概率评分的次日预测。

Apr, 2024

中长期概率电价预测

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

概率短期负荷预测的堆叠方法

本研究探索元学习领域，结合点预测与概率短期电力需求预测，在量位线性回归、量位回归森林以及涉及残差模拟的后处理技术的基础上生成量位预测。另外，我们引入了全局和局部元学习的变种。在局部学习模式中，元模型使用最接近查询模式的模式进行训练。通过在 35 个预测场景上进行广泛的实验研究，并使用 16 个基本预测模型，我们的研究结果突显了量位回归森林在其竞争对手中的优势。

Jun, 2024

基于人工智能的近实时边际定价方法：可行性和鲁棒性研究

该研究评估了在多个电力网格上使用流行的机器学习和深度学习模型预测 LMP 的性能，表明机器学习模型相比传统的最优功率流求解器在 LMP 预测方面具有更快的速度和更低的误差率，这为大规模电力模型中的 LMP 预测提供了潜力。

Jun, 2023

使用长短期记忆网络进行自然语言处理的电力需求预测

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

多变量对抗时间序列预测模型

研究论文通过提出多变量对抗时间序列预测模型来解决工业企业电力系统预测的问题，实验结果显示该方法能够更准确地预测工业企业的电力消耗。

Jun, 2024

基于多季节 Holt-Winters 的短期电力需求预测库 mshw

使用 MATLAB 工具包，本论文介绍了多个季节性 Holt-Winters 指数平滑模型和神经网络模型的预测电力需求方法，其中包括使用离散区间移动季节性 (DIMS) 改善特殊日预测的模型，同时展示了在欧洲各个电力系统的应用结果，该工具包的使用在其他应用领域为具有离散和复杂季节性的模型提供了新的研究方向。

Feb, 2024