法国COVID-19封锁期间短期电力负荷预测的自适应方法
应用统计
2020-09-15 v1 机器学习
机器学习
摘要
2019冠状病毒病(COVID-19)大流行迫使世界上许多政府实施严格封锁,关闭所有非必要企业并命令市民居家。该政策后果之一是电力消费模式的显著变化。由于负荷预测模型依赖日历或气象信息并基于历史数据训练,它们无法捕捉封锁造成的显著断裂,且自大流行开始以来表现出较差性能。这使得电力生产调度颇具挑战,并对电力生产商与电网运营商造成高昂成本。本文引入使用卡尔曼滤波与微调的自适应广义加性模型以适应新电力消费模式。此外,将意大利封锁的经验迁移以预判法国的行为变化。所提方法应用于预测法国封锁期间的电力需求,显示出相比传统模型显著减少预测误差的能力。最后使用专家聚合以利用各预测的特异性并进一步提升结果。
引用
@article{arxiv.2009.06527,
title = {Adaptive Methods for Short-Term Electricity Load Forecasting During COVID-19 Lockdown in France},
author = {David Obst and Joseph de Vilmarest and Yannig Goude},
journal= {arXiv preprint arXiv:2009.06527},
year = {2020}
}