Apr, 2023

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

PDF
TL;DR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％。
electricity demandforecastingstatisticsmachine learninghybrid model
发现论文，激发创造
  • 短期电力需求预测的混合模型

    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

  • 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

  • 利用 LSTMs 进行日前电力价格和波动率的概率预测

    准确预测电力价格对于电力系统管理和智能应用的发展至关重要。本研究提出了一种用于德国 - 卢森堡次日电力价格的长短期记忆（LSTM）模型，通过应对俄罗斯入侵乌克兰后欧洲电力价格的大幅上涨和高度波动等挑战，来应对现有预测方法的局限。LSTM 的循环结构允许该模型适应价格趋势，同时通过同时预测均值和标准差，实现了概率性预测。使用超统计学的物理启发方法来解释价格的统计特性，本研究表明 LSTM 模型能够忠实地重现价格和其波动情况。

    Oct, 2023

  • 利用机器学习方法量化和预测住宅建筑的灵活性

    该研究提出了两种互补的灵活性测量指标，并使用主流的基于机器学习的模型预测住宅建筑物在四小时和 24 小时预测时段内的时间变化和间歇性灵活性。长短期记忆（LSTM）模型在功率灵活性方面表现最佳，可以在 24 小时内准确预测功率灵活性，平均误差约为 0.7 千瓦。然而，在能源灵活性方面，LSTM 模型只能成功预测具有一致运行模式的负荷，并且在预测与暖通空调系统相关的能源灵活性时面临挑战。

    Mar, 2024

  • 时间序列预测的深度学习：电力负荷案例

    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

  • 自然语言处理在电力需求分析中的定量探讨

    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

  • 基于分段线性回归和扩张因果卷积神经网络的中长期日电力消费预测

    日常电力消耗预测是一个经典问题，本研究通过使用分段线性回归和扩张因果卷积神经网络构建两阶段预测方法，将每日电力消耗系列拆分为趋势、季节和残差三个组件，并引入距离变量来挑战传统节日预测，最终预测结果通过两阶段预测的求和得出，实验结果表明该方法较现有方法具有更高的准确性。

    Oct, 2023

  • 使用堆叠的双向 LSTM 和 CNN 对达卡市短期电力需求进行预测

    提出了一种混合模型，结合了卷积神经网络和堆叠双向长短期记忆架构，以准确预测达卡市电力需求的短期预测，该方法在比较中表现最佳，优于其他基准模型，并且对于负载预测也超过了现有的某些研究成果。

    Jun, 2024

  • 基于历史数据和环境因素的数据驱动能耗预测

    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

  • 制造业短期瞬时能耗预测的深度学习

    本文研究了如何在短期内准确预测能源消耗，对比了使用 LSTM、CNN、混合 CNN-LSTM 和 TCN 等多种深度学习算法的表现，通过实验结果表明 TCN 是最可靠的预测短期能源消耗的方法。

    Jul, 2022