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

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

该研究提出了一种基于深度学习的全局建模方法、无监督的本地化机制和最优集成构建策略，以有效预测分布式网络中大量负载，该方法通过减少模型训练的计算负担，以及利用不同负载之间的交叉信息共享，能够比竞争方法更好地适用于实际智能电表数据，并提高预测精度。

Apr, 2022

本研究提出了一个建筑物之间的迁移学习框架，以应对建筑物限制性和稀缺数据的深度学习预测问题，并将其应用于基于 Transformer 模型的精确负荷预测。结果表明，相比传统深度学习方法，所提出的方法提高了 56.8% 的精度，且准确率优于其他深度学习模型。

Jan, 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

本研究提出了一种使用 PCA 增强的新型 Transformer 预测框架，以降低冗余信息、提高预测准确性并优化运行时间效率。通过与其他五个先进模型和四个真实世界数据集的评估结果显示，该框架能够在所有模型和数据集上最小化预测误差，并显著降低运行时间。其中 PCA+Crossformer 模型平均减少均方误差（MSE）33.3% 并缩短运行时间 49.2%。在电力数据集上，该框架降低 MSE 14.3% 和运行时间 76.6%；在交通数据集上，降低 MSE 4.8% 和运行时间 86.9%。本研究旨在推进各种先进模型，增强基于 Transformer 的时间序列预测能力，以适用于复杂数据。

Dec, 2023

我们提出了一种关注的联邦变压器，用于时间序列股票预测，在保护参与企业的隐私的同时具备更好的性能。关于从雅虎金融网站获取的各种股票数据的实证结果显示了我们提出的方案在处理上述挑战和联邦学习中的数据异质性方面的优越性。

Jan, 2024

研究了基于 Transformer 模型的时间序列预测方法在短期电力负载预测中的应用，结果表明，该方法不如基于 LSTM 模型在整个电网范围内的日前负载预测性能优越，但在细分的变电站层面上表现出显著的预测性能提升，并且在周前负载预测上具有优越性。

May, 2023