本文提出了一种基于扩散的序列到序列结构来估计认知不确定性，并使用强健性添加的柯西分布来估计位置不确定性的方法来预测电气负载预测。与精确预测条件期望相比，我们展示了我们方法在分离两种不确定性和解决突变情况方面的能力。

May, 2023

该研究提出了一种基于在线学习的预测区间（PI）估计方法，该方法利用强化学习的在线学习能力来适应不同的数据分布，并通过神经网络模型自适应确定对称或不对称的概率比例对于分位数。该方法能够更好地适应数据分布，并获得更高质量的 PI，同时还具有更强的概念漂移鲁棒性。

May, 2022

本研究探索元学习领域，结合点预测与概率短期电力需求预测，在量位线性回归、量位回归森林以及涉及残差模拟的后处理技术的基础上生成量位预测。另外，我们引入了全局和局部元学习的变种。在局部学习模式中，元模型使用最接近查询模式的模式进行训练。通过在 35 个预测场景上进行广泛的实验研究，并使用 16 个基本预测模型，我们的研究结果突显了量位回归森林在其竞争对手中的优势。

Jun, 2024

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

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

该研究提出了一种基于深度学习的全局建模方法、无监督的本地化机制和最优集成构建策略，以有效预测分布式网络中大量负载，该方法通过减少模型训练的计算负担，以及利用不同负载之间的交叉信息共享，能够比竞争方法更好地适用于实际智能电表数据，并提高预测精度。

Apr, 2022

本文介绍了一种概率时间序列预测的一般方法，通过结合自回归循环神经网络和隐含量子网络来建模时间动态并学习一系列时间序列预测模型，在真实数据和模拟数据上得出的结果表明，该方法在预测准确性和估计潜在时间分布方面具有优势。

Jul, 2021

本文研究了热电联供系统中能源需求的预测问题，提出了两种算法，并与现有的人工神经网络算法进行了比较，主要考虑了算法的预测质量和计算成本。

May, 2022

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

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