深度学习模型在日前负荷预测中的比较评估：关键精度驱动因素探究
机器学习
2023-09-26 v2 人工智能
摘要
短期负荷预测（STLF）对电网与能源市场的有效经济运行至关重要。然而，电力需求的非线性与非平稳性，以及其对各种外部因素的依赖性，使得 STLF 成为一项具有挑战性的任务。为此，文献中已提出若干深度学习模型用于 STLF，并报告了有前景的结果。为评估所述模型在日前预测设定下的精度，本文关注葡萄牙全国净聚合 STLF，并开展一项比较研究，考虑一组具代表性且成熟的深度自回归模型，即多层感知机（MLP）、长短期记忆网络（LSTM）、神经基展开系数分析（N-BEATS）、时间卷积网络（TCN）与时态融合 Transformer（TFT）。此外，我们识别显著影响需求的因素，并探究其对各模型精度的影响。我们的结果表明，N-BEATS 持续优于其余受检模型。MLP 次之，进一步佐证了使用前馈网络而非相对更复杂的架构。最后，某些日历与气象特征（如一天中的小时数与温度）被识别为关键精度驱动因素，为按情形应采用的预测方法提供了见解。
引用
@article{arxiv.2302.12168,
title = {A comparative assessment of deep learning models for day-ahead load forecasting: Investigating key accuracy drivers},
author = {Sotiris Pelekis and Ioannis-Konstantinos Seisopoulos and Evangelos Spiliotis and Theodosios Pountridis and Evangelos Karakolis and Spiros Mouzakitis and Dimitris Askounis},
journal= {arXiv preprint arXiv:2302.12168},
year = {2023}
}
备注
Keywords: Short-Term Load Forecasting, Deep Learning, Ensemble, N-BEATS, Temporal Convolution, Forecasting Accuracy