电力负荷预测基准和自定义软件包
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
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
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。
May, 2023
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
研究使用Transformer进行电力负荷预测,并测试转移学习策略的有效性,表明全局模型优于其他训练策略,使得Transformer在正确的策略下是有效的电力负载预测方法。
Jun, 2023
准确的负荷预测对电力系统的高效可靠运行至关重要。本文开发了几种机器学习模型,将各种时间和天气信息作为输入特征,用于预测短期系统总负荷。通过对不同天气因素对预测准确性的影响进行剔除研究,并通过对同一地区的实际负荷和历史天气数据进行训练,证明了采用不同天气和时间输入特征训练的机器学习模型在ERCOT负荷预测中的有效性。
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
我们提出了一种交互式GAM模型,它不仅具有解释性,还可以结合电力行业的特定领域知识,提高性能。这种基于提升的GAM利用分段线性函数,并通过我们高效的算法进行学习。在公共基准和电力数据集中,我们的交互式GAM优于当前最先进的方法,并在极端天气事件的情况下表现出良好的泛化能力。我们还推出了一个用户友好的基于交互式GAM的网络工具,并将其整合到我们的eForecaster产品中,这是一个统一的电力预测AI平台。
Oct, 2023
机器学习和深度学习的快速发展使得在电力系统的电力负荷预测等应用方面取得了广泛的成果。本文提出了一种可解释的深度学习方法,通过学习每个神经网络对输入时间特征进行关注的线性组合来实现。并且,我们提出了多尺度时序分解方法来处理复杂的时间模式。在比利时中央电网负荷数据集上进行了案例研究,结果表明所提出的模型相对于频繁应用的基准模型具有更好的准确性。此外,本方法不仅能展示特征的解释性,还能展示与其他基准方法相比的时间解释性,同时还能获得全局时间特征的解释性,这使得我们能够捕捉到负荷数据的整体模式、趋势和周期性,同时揭示了各种与时间相关的特征在形成最终输出中的重要性。
Feb, 2024
研究表明在历史电负荷数据有限的情况下,机器学习模型在负荷预测中的准确性受到限制。该论文探讨了大规模时间序列模型(TimeGPT)在历史数据有限的负荷预测中的潜力,并通过训练模型适应数据分布和特征,取得了在短期预测中超越其他机器学习模型和统计模型的成果。然而,由于负荷数据与训练数据之间的分布差异可能会影响TimeGPT的性能,因此在实际应用中需要使用验证集损失来确定是否选择TimeGPT。
Apr, 2024