本研究基于日前葡萄牙国家 15 分钟分辨率净负荷时间序列，以深度学习结构 N-BEATS、LSTM 和 TCN 为重点，对 COVID-19 疫情期间的短期负荷预测进行比较研究，旨在增强能源公司和网络运营商的预测工具箱，并提高其对危机事件对模型性能的严重影响的认识，同时作为智能电网监管框架下高级模型评估、部署和可持续性指导。

Feb, 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

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

本系统性综述分析了 2000 年至 2019 年在学术期刊上发表的 240 篇关于应用人工智能、统计和混合模型进行短期负载预测（STLF）的论文，并发现研究人员正在越来越倾向于采用不同技术的混合组合来提高预测准确率，同时识别了模型训练所需数据集的不足和研究区域的重要缺口。

Dec, 2021

本文提出了一个新的深度学习框架 —— Long- and Short-term Time-series network (LSTNet)， 用于解决多元时间序列预测等问题，并在复杂混合循环模式数据上实现了显著的性能提升。

Mar, 2017

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

通过比较统计学、机器学习和深度学习模型在爱尔兰平衡市场上的表现，本研究发现短期电力市场和平衡市场是基本不同的构造，并提出了一种基于 LASSO 的 LEARN 模型，其在平衡市场上的预测表现优于更复杂和计算要求更高的方法。

Feb, 2024

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

本文提出了一种新的解决方案，利用粒子群优化算法自主探索和优化超参数、多头注意机制识别准确预测所需的关键特征，并采用高效的计算框架，通过对一个真实的用电需求数据集进行严格评估，实验结果表明，该方法在准确性、鲁棒性和计算效率方面具有显著优势，其平均绝对百分比误差为 1.9376，相较于现有最先进的方法标志着短期负荷预测的新时代的开启。

Sep, 2023

本研究提出了一种动态漂移自适应长短期记忆模型，可在不需要漂移阈值设置的情况下，提高负载预测模型的性能，通过基于主动和被动适应方法的框架集成几种策略，并在云环境中部署来评估它在实际中的适用性。

May, 2023