Jul, 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

PDF
TL;DR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。
发现论文，激发创造
  • 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

  • 用于预测多个负载时间序列的 Transformer 训练策略

    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

  • 利用粒子群优化的多头自注意力增强的 CNN-LSTM 网络进行短期负荷预测

    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

  • 基于深度学习模型的迁移学习：小数据情况下建筑负荷预测案例

    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

  • 负载预测的自动深度学习

    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

  • 短期天气预测中元启发式算法的超参数选择的比较评价

    通过比较分析深度学习技术与启发式优化算法结合在天气预报中的性能，并评估不同模型架构在各指标下的表现，本文揭示了启发式优化算法在提高天气预报准确性方面的潜力。该研究还强调了利用高级优化技术选择适合特定天气预报任务的最佳启发式优化算法的重要性。

    Sep, 2023

  • 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

  • 深度学习下重新思考时间序列预测：一步前行两步退后

    本文介绍了 Transformer 在时间序列预测方面的应用，探讨了其局限性，并提出了一系列更好的性能和更少复杂度的其他模型。

    Apr, 2023

  • 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

  • 短期电力负荷预测误差的元回归分析

    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