May, 2023

短期电力负荷预测误差的元回归分析

PDF
TL;DR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。
electricity demandrenewable energyload forecastsmeta-regression analysisforecasting methods
发现论文，激发创造
  • 智能电网中数据稀缺下的少样本负荷预测：元学习方法

    该论文提出了一种基于元学习算法的短期负荷预测方法，通过少量训练样本在任意长度的未知负荷时间序列中快速适应和泛化，并通过历史负荷消耗数据集的评估表明，该方法能够准确预测负荷，比传统的迁移学习和任务特定的机器学习方法提高了 12.5% 的准确度。

    Jun, 2024

  • 面向易受野火影响地区的广义多因素深度学习电力负荷预测模型

    该文提出了一种基于 Gated Recurrent Unit 的深度学习方法，用于预测澳大利亚维多利亚州在野火季节中的电力负荷，模型考虑到多个因素，使用降温关联因素以及灵活的数据输入结构，与 LSTM 相比表现更好，可以实现 3％的平均预测 MAPE，对维多利亚州而言可能有年度能源节约 8046 万澳元的潜在效益。

    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

    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

  • 基于差分进化算法的变压器神经网络模型负荷预测超参数选择

    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

  • 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

  • 深度学习模型对日前负载预测的比较评估：探究关键准确性驱动因素

    本研究旨在比较不同深度学习模型在短期负荷预测方面的准确性，并针对葡萄牙的国家网联合短期负荷预测，进行多层感知器、N-BEATS、长短期记忆神经网络和时间卷积网络等一些具有代表性的自回归神经网络的评估，并进行后续分析以确定最合适的模型。结果表明，N-BEATS 模型始终优于其它深度学习模型，并且外部因素显著影响准确性，从而影响模型的实际和相对性能。

    Feb, 2023

  • 爱尔兰平衡市场的电力价格预测

    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

  • 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

  • 短中期电力需求的遮蔽多步骤概率预测

    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。

    Feb, 2023

  • 基于季节分解的电力中期负荷预测错误校正模型

    本文提出了一种基于误差校正的电力负荷中期预测模型（ECLF），该模型通过时间序列分析、特征工程和堆叠集成等方法，将原始负荷数据分解为三个组件进行单独预测，并在极限梯度提升算法的第二步预测中利用预测结果作为新特征，实现了更加准确和稳定的预测效果。实验结果表明，该模型在中期负荷预测方面具有优越的表现。

    Jun, 2023