Feb, 2024

可解释的短期负荷预测：多尺度时间分解

PDF
TL;DR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。
machine learningdeep learningelectricity load forecastinginterpretable deep learningtime series decomposition
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

  • 复兴多元时间序列预测：可学习分解与系列间依赖和系列内变异建模

    通过引入可学习的分解策略和双重注意力模块，该研究论文在多元时间序列预测方面取得了显著进展，并且提出的分解策略可以插入其他方法，大大提升了性能，MSE 误差降低从 11.87% 到 48.56%。

    Feb, 2024

  • 基于注意力机制的时间序列预测的模块化神经网络：可解释性和特征选择

    一篇研究时间序列的多变量预测的可解释神经网络模型，通过循环神经网络学习数据的时间依赖性，配合基于注意力的特征选择组件来选择最相关和抑制冗余的特征，通过独立训练选定特征的模块化深度网络，展示特征对结果的影响，从而使模型可解释。实验结果表明，该方法在时间序列的回归和分类任务中优于现有的可解释神经加性模型（NAM）及其变体，且达到与时间序列的非可解释方法 LSTM 和 XGBoost 相媲美的预测性能。

    Nov, 2023

  • 多尺度分解 MLP-Mixer 用于时序分析

    提出了一种名为 MSD-Mixer 的多尺度分解 MLP-Mixer 模型，该模型通过学习将时间序列分解成不同的组成部分，并在不同层级上表示这些组成部分，以处理多尺度时间模式和通道间的依赖关系。通过在各种实际数据集上进行广泛实验，包括长期和短期预测、插补、异常检测和分类等五个常见时间序列分析任务，证明了 MSD-Mixer 在性能上明显优于其他最先进的任务通用和任务特定方法。

    Oct, 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

  • SaDI: 自适应分解解释性电力负荷极端事件预测框架

    本文提出了一种新的用于电力负载预测的框架，名为自适应分解可解释性框架（SaDI），通过集成长期趋势、短期趋势和周期建模来捕捉不同组成部分的时间特征，在极端条件下实现更好的预测，外部变量触发损失则用于解决极端事件下的不平衡学习问题，框架中还采用广义可加模型（GAM）进行理解性分析，并在中部中国电力负载和建筑公共能源计量器上进行实验验证，相对于当前先进算法，该框架的预测效果平均提高了 22.14％。

    Jun, 2023

  • 基于 Transformer 的联邦学习的智能电网安全短期负荷预测

    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

  • 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

  • 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

  • 深度预测因素

    本研究提出了一种混合模型，将经典时间序列模型与基于深度神经网络的模型结合起来，通过全局深度组件实现可扩展性和数据驱动，同时通过本地经典模型处理不确定性。实验证明，该模型在数据效率、准确性和计算复杂性方面具有优势。

    May, 2019