Feb, 2024

基于多季节 Holt-Winters 的短期电力需求预测库 mshw

PDF
TL;DR使用 MATLAB 工具包，本论文介绍了多个季节性 Holt-Winters 指数平滑模型和神经网络模型的预测电力需求方法，其中包括使用离散区间移动季节性 (DIMS) 改善特殊日预测的模型，同时展示了在欧洲各个电力系统的应用结果，该工具包的使用在其他应用领域为具有离散和复杂季节性的模型提供了新的研究方向。
electricity demanddemand forecastinghybrid modelsmatlab toolboxseasonal holt-winters exponential smoothing models
发现论文，激发创造
  • 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

  • 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

  • 使用长短期记忆网络进行自然语言处理的电力需求预测

    本文提出了一种利用文本新闻特征的长短期记忆网络（LSTM）来成功预测英国国家电力需求的确定性和概率任务。实验结果表明，带有文本特征的 LSTM 相对于纯 LSTM 基准模型改进了 3% 以上，相对于官方基准模型改进了近 10%。此外，该模型能够通过缩小置信区间和使预测分布更接近真实值来有效地降低预测的不确定性。

    Sep, 2023

  • 利用 LSTMs 进行日前电力价格和波动率的概率预测

    准确预测电力价格对于电力系统管理和智能应用的发展至关重要。本研究提出了一种用于德国 - 卢森堡次日电力价格的长短期记忆（LSTM）模型，通过应对俄罗斯入侵乌克兰后欧洲电力价格的大幅上涨和高度波动等挑战，来应对现有预测方法的局限。LSTM 的循环结构允许该模型适应价格趋势，同时通过同时预测均值和标准差，实现了概率性预测。使用超统计学的物理启发方法来解释价格的统计特性，本研究表明 LSTM 模型能够忠实地重现价格和其波动情况。

    Oct, 2023

  • 中长期概率电价预测

    本文通过引入一种新的方法来模拟未来几个月至三年的逐小时分辨率下的电力价格，使我们能够提供概率预测，甚至在长期内检测价格剧烈波动的概率，从而解决当前长期电力价格预测困难的问题。

    Mar, 2017

  • 一种混合残差扩张 LSTM 与指数平滑方法的中期电量负荷预测模型

    本研究提出了一种采用混合和分层深度学习模型进行中期负载预测的方法，该模型结合了指数平滑（ETS）、先进的长短期记忆（LSTM）和集成方法。模拟研究表明，该模型的性能非常高，竞争力强。

    Mar, 2020

  • 住宅电器的数据驱动负荷建模和预测

    本文提出了一种基于条件隐马尔可夫模型的短期负荷预测算法，该模型可描述住宅设备需求的概率特征，并利用可扩展的统计学习方法直接从用电数据中估算模型参数，运用多种类型的电器的 1 分钟功率消耗数据的情况研究证实了该模型在负载预测和异常检测方面的有效性。

    Oct, 2018

  • 智能化电力负荷预测在用户社区的应用

    通过对电力负荷预测的广泛技术进行综述，本文测试了人工智能驱动的短期负荷预测方法，包括 Facebook 的 Prophet 和 LSTM 模型，基于季节的 SARIMA 和平滑 Holt-Winters 模型，以及利用领域知识的经验回归模型。结果表明，在负荷预测任务中将持续性和回归项相结合可以实现最佳的预测准确性。

    Feb, 2024

  • 自然语言处理在电力需求分析中的定量探讨

    本文探讨了如何更好地利用新闻中包含的社会信息来理解能源需求方面的人口总体行为，并通过实验分析从国家新闻中提取的预测特征对日前电力需求预测的影响，实验结果表明最佳表现模型可将官方标准误差在 RMSE、MAE 和 SMAPE 方面降低约 4%、11% 和 10%，最佳表现方法包括确定 COVID-19 相关关键字的词频、识别流行病和内部政治新闻的主题分布，识别国际冲突新闻的全球词嵌入，为传统电力需求分析带来了新的视角并确认利用文本中的非结构化信息改进其预测的可行性，具有潜在的社会学和经济学影响。

    Jan, 2023