用于离散化电力负荷短期预测的单一可扩展 LSTM 模型
机器学习
2020-03-09 v2 机器学习
信号处理
应用统计
摘要
全球大多数电力系统正在部署高级计量基础设施以收集相关运行数据。特别是，智能电表能够以非常离散的层级和高频速率跟踪电力负荷消耗。这些数据开辟了开发新预测模型的可能性，对电力系统具有潜在积极影响。我们提出了一种能够处理并预测大量智能电表时间序列的通用方法。我们开发的不是传统的单变量方法，而是单一但复杂的具有长短期记忆的循环神经网络模型，该模型可捕捉个体消耗模式以及不同家庭的消耗。所得模型可准确预测个体消费者（短期）的未来负荷，即使这些消费者未包含在原始训练集中。这对于大规模应用具有巨大潜力，因为一旦训练好单一网络，几乎无需计算成本即可获得新消费者的准确个体预测。所提模型通过使用包含数千条离散化电力消耗时间序列的真实世界数据集，在大量数值实验下进行了测试。此外，我们探究了消费者的地理人口统计细分如何影响模型的预测精度。
引用
@article{arxiv.1910.06640,
title = {A Single Scalable LSTM Model for Short-Term Forecasting of Disaggregated Electricity Loads},
author = {Andrés M. Alonso and F. Javier Nogales and Carlos Ruiz},
journal= {arXiv preprint arXiv:1910.06640},
year = {2020}
}