Oct, 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

PDF
TL;DR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。
electricity consumption forecastingpiecewise linear regressiondilated causal cnnspring festival predictionaccuracy
发现论文，激发创造
  • 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

  • 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

  • 一种基于卷积神经网络和支持向量回归模型的电力消费预测方法

    本篇研究提出了一种基于 RCNN 和 SVR 的电力消费预测方法，通过提取历史数据的特征来预测矿业企业的电力消费，相比传统方法，该方法有更高的准确性，并降低了预测误差率。

    Oct, 2018

  • 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

  • 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

  • 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

  • 短期电力需求的任意分位数概率预测

    该论文提出了一种新颖的通用方法，能够预测任意分位数，并应用于两种不同的神经网络结构，在短期电力需求预测任务中取得了最新的分布预测结果。

    Apr, 2024

  • 集成能源系统短期多能源需求预测的深度卷积神经网络

    开发基于卷积神经网络的六种新型预测模型，用于预测集成能源系统的多能源需求，评估结果使用信噪比和均方根误差进行。

    Dec, 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

  • 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